智能体微服务化拆分的核心动因、挑战与落地策略_服务软件

1. Agent 2.0时代来了，首批「工业级智能体」正在核心位置上岗

2. 《扣子开发 AI Agent 智能体应用》015-基于大模型的企业知识库（扣子知识库介绍）

3. 智能体即开发者：论AI如何重塑编程边界与人机协同未来

4. AI Agent 通信场景下，为什么传统的 Topic + Group 模式难以满足需求？

5. 托管 Agent 执行循环只是起点，AgentRun 托管的更是企业 AI 生产全链路

6. 图解 AI 智能体的 MCP 与 Skills

7. 边聊天也能边导航，添加/切换途经点全程语音操作？全新的鸿蒙座舱小艺智能体到底怎么样。

8. 鹏说：AI Trading Agent时代下的思考

9. 深大智能：基于阿里云 MSE 实现云原生高可用微服务架构，释放运维人力拥抱 AI 时代

10. 跨OS GUI智能体基础设施白皮书——重新定义人机交互自动化｜甲子光年智库

11. 用DAA衡量智能体百度智能云用“新全栈”重新定义AI云｜甲子光年

12. 蚂蚁数科王磊：垂直大模型训练成本呈百倍级下降，金融AI落地需构建“可信智能体”三大基石 | Alpha峰会

13. 智能体，正在决定企业的生死？ #大有学问 #红衣聊AI #智能体 #AI工具

14. 「Github一周热点115期」桌面AI超级助理、编程Agent的知识图谱、隐身的Chromium、把任何软件变成CLI工具、以及实时流式3D重建模型

15. 蔡浩宇美国公司换血背后：裁撤大模型团队，押注超级智能体

16. 在硅谷大火的智能体商业，在中国已经落地#支付宝AI支付突破3亿笔 #AI未来已开箱 #Ai支付 #Agent #AI付

17. AI 智能体驾驭 (Harness) 工程的兴起

18. 智能体设计模式总结

19. 使用多个AI编程代理（Claude Code、Codex、Cursor、Aider等）时，历史对话分散在不同目录，JSONL、SQLite、Markdown格式各异，grep搜索费时费力，关键解决方案往往找不回来。coding-agent-search (cass) 把所有代理的历史对话统一索引搜索，提供高性能TUI和CLI工具。不仅支持19+代理的会话聚合（Claude Code、Codex、Gemini、Cursor、Aider等），还提供BM25精确搜索+可选语义搜索、毫秒级响应，支持多机同步搜索。GitHub：github.com/Dicklesworthstone/coding_agent_session_search主要功能：- 统一索引19+ AI编程代理的历史对话，支持JSONL、SQLite、Markdown等多种格式；- 高性能TUI界面，实时搜索+三栏布局，F12切换排序模式，支持模糊搜索；- 混合搜索模式（词法+语义），支持通配符、前缀匹配、自动模糊回退；- 多机搜索，通过SSH/rsync同步远程服务器的代理会话数据；- Robot模式CLI，JSON输出，专为AI代理设计，支持自动化工作流；- HTML导出带加密，支持密码保护和离线查看，语法高亮+可搜索。支持Linux、macOS、Windows，通过Homebrew、Scoop或安装脚本一键部署，本地运行完全离线，适合个人开发者及团队使用。#AI编程##Rust##开发者工具#

20. 国家三部门联合印发《智能体实施意见》，将如何影响我国人工智能产业的发展与应用前景？

21. 腾讯云大数据 TC Data Agent 智能体发布与应用实战

22. AI圈重要转折点！智能体开始变现了 #大有学问 #智能体 #AIGC #ai工具

23. 金融可信智能体：Agentic Engineering 的工程实践与演进

24. 《扣子开发 AI Agent 智能体应用》031-实战案例：多 Agent 模式开发旅游助手

25. 从能聊天的大模型，到会干活的智能体，AI正迎来全新进化。企业AI落地的机会就藏在这里。#网络名人赞两会 #2026全国两会 #红衣聊AI #产业升级

26. 你还在用旧思维与AI打交道吗？ #大咖观察 #红衣聊AI #AI时代 #智能体 #大模型

27. Agent Infra 实践复盘：Kimi 如何搭建 Agent 背后的 Database 服务

28. 部署AI智能体通常需要复杂的架构，LLM网关负责API路由，数据库管理多租户，安全层防止越权，还要额外的监控工具，来回切换部署颇为麻烦。GoClaw 把AI智能体平台的完整功能全部整合到一起，提供了生产级多租户AI代理解决方案。不仅支持20+ LLM提供商（Anthropic、OpenAI、Groq等）和7大消息渠道（Telegram、Discord、Slack等），还提供5层安全防护、多智能体团队协作、任务看板，甚至内置知识图谱和定时调度。GitHub：github.com/nextlevelbuilder/goclaw主要功能：- 多租户PostgreSQL隔离，每个用户独立工作空间和加密API密钥（AES-256-GCM）；- 20+ LLM提供商原生支持，含提示缓存和扩展思考模式；- 7大消息渠道接入，实时流式对话和多媒体处理；- AI智能体团队协作，支持同步/异步委托、共享任务看板；- 内置工具集：文件操作、网络搜索、浏览器自动化、图像/音频/视频生成；- 5层安全体系+速率限制、提示注入检测、生产级可观测性（OTel）；- 单二进制部署（~25MB），支持Docker Compose一键启动，$5 VPS即可运行。支持 Web仪表盘、Docker多平台部署，通过 make up 一键本地运行，适合AI开发者、团队和企业使用。#AI智能体##Golang# #多智能体# #LLM网关#

29. 构建开放智能体生态：AgentScope 如何用 A2A 协议与 Nacos 打通协作壁垒？

30. 云小二 Aivis 的架构实践——基于上下文工程与多智能体的自主服务新形态

31. 构建自主AI：深入A2A协议的智能体开发——让智能体真正“互联”起来

32. 打通智能体孤岛：用 AgentRun 构建生产级 A2A 多 Agent 管理协作系统

33. AgentScope x RocketMQ：打造企业级高可靠 A2A 智能体通信基座

34. 智能体社交革命：AI Agent是怎么来到你我身边的？【硅谷101】

35. AI智能体也卷起来了？又懂业务又不用搭工作流…

36. 看看 Claude Code 怎么做 Harness，这才是 Agent 工程化的真正难点

37. Agent 语音交互如何更稳、更快？一次高并发消息链路优化实践

38. 2025 智能体工程现状

39. 智能体爆发后，中国AI真正的底牌是什么？ #大有学问 #红衣聊AI #智能体

40. 智能体开始互相传染？该给AI打疫苗了 #AI工具 #智能体 #红衣聊AI #大有学问

41. DeepSeek新论文来了！联手清华、北大，优化智能体大模型推理

42. OpenKG 首发 SkillNet：大规模智能体“技能图谱”知识库

43. Harness Engineering：AI Agent 落地企业的工程化核心

44. 构建专业智能体：从通用 AI 到企业级应用的工程化实践

45. 【如何防范“龙虾”“咬人”？法官在线支招！】帮你整理邮件、自动下单、处理文件……2026年开春，“养龙虾”火了。这里的“龙虾”指的不是餐桌上的美味，而是当下科技圈最火的开源AI智能体——OpenClaw。和大众熟知的、主要提供对话功能的聊天机器人不一样，“龙虾”具备执行能力。它可以听令打开电脑里的文件、在电商平台自动比价下单、跨平台整理工作邮件、安排一整天的行程，像一个24小时待命的“数字管家”。然而，便利至极的功能背后可能隐藏着风险。结合法官的一线司法观察，“龙虾”热潮背后AI智能体的这些法律风险值得关注。风险一：授权机制模糊，用户或处于“失控”状态安装“龙虾”时，在按下“同意”选项后，用户以为自此拥有一个智能助手，实际上可能已经一次性把权限都交了出去。这是因为用户与智能体提供者之间存在严重的信息不对称，一份冗长的用户协议很难让人真正理解，智能体后续会如何规划任务、调用哪些工具以及在什么时间访问哪些应用等。结果就是，指令发出后，用户在得到确切的结果前，对智能体的每一步操作既无法预知，也难以实时监督和干预。风险二：行为边界不明，用户可能“违法而不自知”大多数人不知道的是，法律上存在着“不可代理”的边界——例如，某些平台的用户协议明确禁止使用自动化工具，如果用户让智能体代为操作，就违反了“约定禁止代理”。再如，涉及职务身份和保密义务的事务具有“人身专属性”，不得交由外部工具代理，一旦泄露，用户需承担泄密责任。另外，一些数据抓取行为本身可能构成对他人数据权益的侵害，用户需承担不正当竞争或侵权责任。这意味着并非所有事务都可以由智能体代为办理。可以想见，当智能体的自主行为引发法律问题时，用户浑然不知，却要为此承担相应后果。风险三：若数据与隐私泄露，风险波及第三方智能体的运行机制放大了隐私泄露的风险。当用户授权智能体处理邮件或文件时，智能体会读取大量内容，其中往往包含第三人的联系方式、商业谈判细节、个人隐私信息。这些数据被传输至云端分析后，若服务提供者的服务器遭入侵，或供应链中的某个插件被植入恶意代码，大量第三人的敏感信息便会一并泄露。更值得警惕的是，智能体具有“长期记忆”功能，会将分析过的信息存入记忆库供后续调用。这意味着，即使日后撤销授权，智能体仍可能保留这些数据，并在未来的任务中不经意地使用或暴露，形成持续性的隐私泄露风险。从法律角度看，这类服务不仅涉及用户本人信息，还涉及大量第三人的个人信息，而第三人并未同意其信息被收集和处理，合法性基础存在很大缺陷。风险四：主体责任不清，第三方或面临追责困境当智能体在自主运行中造成损害，如错误下单导致资金损失、违规抓取第三方数据引发侵权、个人信息被泄露等，责任该如何划分？智能体提供者往往通过用户协议宣称智能体仅为用户工具，所有行为后果由用户自负，试图以此切割自身责任。用户则认为自己是受提供者设计的技术方案所引导，对智能体底层逻辑无力控制，且提供者从智能体运行中获取商业利益，理应承担责任。第三方则面临维权困境：难以直接向用户追偿，又缺乏向提供者追偿的明确法律依据。这种三方责任模糊的状态，使得用户在使用智能体时承担了远超预期的法律风险。针对这四大风险，杭州互联网法院跨境贸易法庭庭长肖芄给出四条治理建议：1 让智能体的运行过程透明可见用户有权知道智能体正在做什么、将要做什么。服务提供者应当以用户能够理解的方式，实时说明智能体执行的步骤、调用的工具、访问的数据类型和范围。对于涉及资金、重要文件、个人隐私等重大权益的操作，必须设置人工确认环节，由用户最终决定是否执行。用户协议中的关键信息也应当清晰明了，避免用冗长的法律条款掩盖重要内容。2 明确各方责任的划分服务提供者掌握着智能体的底层代码、训练数据和权限控制，不能仅凭用户协议中的免责条款就完全撇清责任。如果损害是由智能体的设计缺陷或自主决策造成的，服务提供者应当承担责任。用户对自己明确下达的指令所产生的后果负责，对于明显超出合法边界的指令，也有义务及时制止。3 加强数据安全保护应当优先在本地设备处理数据，尽量减少数据向云端传输。权限管理应当遵循最小必要原则，只授予完成核心功能所必需的权限。用户应当能够随时查看和删除智能体的记忆库内容，防止个人信息被长期留存。一旦发生数据泄露，服务提供者应当及时通知用户，便于用户采取应对措施。4 规范智能体的行为边界智能体在访问第三方平台时，应当表明自己的AI身份，通过正规接口进行交互，而非伪装成普通用户绕开平台规则。法律和行业标准应当明确哪些事务不得交由智能体代理，例如平台明确禁止自动化操作的情形，或法律规定需要特定资质才能从事的事务。服务提供者应当在智能体中设置风险提示功能，当用户指令可能越界时主动提醒，并拒绝执行明显违法的指令。法姐讲法 #蜀黍说安全##安全知识学起来#via：人民法院报

46. 金融可信智能体的工程范式——从单Agent到自进化，蚂蚁数科如何解决归因难题？

47. 《扣子开发 AI Agent 智能体应用》001-智能体概述

48. OpenClaw 多工作区与多 Agent 配置实战指南：从踩坑到精通

49. OpenAI Agents SDK：生产级智能体开发的工程化利器

50. 企业级多 Agent 规模化落地怎么做？群虾智能 AI 沙龙 PPT 限时领取

51. 没有API，你在AI世界就不存在？ #大有学问 #红衣聊AI #智能体

52. 最近因为豆包手机大家都在谈AI Agent，其实用过荣耀Magic8就能直观感受到AI Agent的价值：它让服务从“多步操作”变成了“自动执行结果直达”。但更值得关注的是背后的变革——AI根据你的习惯、时间和位置，主动提出针对性建议，通过通用泛化能力，覆盖衣食住行购等多样化场景的自动执行。这种从“被动工具”到“主动服务”的转变，或许才是端侧智能的下个赛点。如果手机能提前安排你一天的生活流程，你觉得界限该划在哪里？#豆包手机#

53. AI大神的焦虑：自己是研究工作的瓶颈，Token用得不够多#AI #人工智能 #卡帕西 #Agent #算力

54. ClawTeam：让 AI Agent 自主组建团队、分配任务、协同工作的 CLI 工具github.com/HKUDS/ClawTeam/港大开源的一个项目：“AI 编程 Agent 很强大 —— 但它们各自为战。当任务太大时，你只能手动拆分工作、复制粘贴上下文、合并结果。如果 Agent 能自己组队呢？ClawTeam 实现了 Agent 群体智能（Swarm Intelligence）—— Agent 自主组建团队、分工协作、共享发现、收敛到最优方案。一个 Leader Agent 可以： 🚀 创建子 Agent —— 每个子 Agent 拥有独立的 Git Worktree 和 tmux 会话 📋 分配任务 —— 支持依赖链，完成时自动解除下游阻塞 💬 发送消息 —— 向任意子 Agent 发送指令 📊 监控进度 —— 查看看板、读取实验结果 🔄 调整方向 —— 终止低效 Agent，用新方向重新分配人类只需提供初始目标，群体智能完成剩下的一切。”#How I AI#

55. OpenClaw 多 Agent 架构实战：一个 Gateway，多个智能体

56. 不再迷信多智能体，构建实用AI系统的方法论

57. 《扣子开发 AI Agent 智能体应用》005-扣子 AI 应用开发平台介绍（扣子的目标群体和架构）

58. Claude Code subagent vs.Agent Teams vs. worktreeClaude Code支持多Agent协作，但里面的sugagent、Agent Teams、git worktree 概念容易混淆，好像都能并行协作开发。大多数开发者的错误做法是：把所有多Agent任务都用Agent Teams，或者把简单的工作也劲头十足地搞worktree，结果代码复杂度爆炸。1. Claude Code官方文档现在把它分成三个清晰的层级：层级1：Subagent（会话内辅助）适用场景：在当前编码会话内部创建临时任务特点：轻量级、快速、无需通信开销例子：「帮我写单元测试」「重构这个函数」「生成API文档」本质：一个主Agent指挥多个临时小助手，完成当前任务成本：低，通信延迟小层级2：Agent Teams（需要Agent间通信的并行任务）适用场景：多个Agent需要真正协作、信息交互特点：Agent有各自的记忆、上下文、角色定位例子：前端Agent + 后端Agent + DevOps Agent 协同开发一个微服务架构本质：真正的「团队」，每个Agent有独立决策权成本：高，需要复杂的通信协议和状态管理层级3：Git Worktree（轻量并行选项）适用场景：传统多分支开发，手动协调特点：完全依靠Git，不需要Agent间通信例子：同时开发feature1和feature2，用两个worktree分离代码树本质：操作系统级别的并行，Agent各自独立运行成本：中等，但需要手动协调merge2. 实战建议：1）刚开始用Claude Code？用Subagent。让一个主Agent指挥，足够了。2）小团队开发微服务？用Agent Teams，但不要超过3个Agent（通信成本会爆炸）。3）大型项目长期并行？用Worktree，保持简单，让人类开发者协调。大多数人的错误是高估了自己的需求，直接跳到Agent Teams。结果是Agent间通信变成性能瓶颈，不如一个聪明的Subagent快。3. 背后的工程思想这个三层设计反映了一个深层原则：越高级的能力，越要谨慎使用。Subagent看似简单（一个主Agent内部）但足以解决90%的任务。Agent Teams强大但需要精细的通信协议。Worktree原始但极其稳定。官方的建议其实是在说：从最简单的方案开始，只在确实需要的时候才升级。这叫做「渐进式能力提升」。很多开发者喜欢一上来就用最强的功能，结果代码难以维护、Agent间延迟高、调试成本爆表。明确边界后，选择变得简单了。官方文档：code.claude.com/docs/en/agent-teams#HOW I AI# #程序员#

59. Claude Code终于长出调度台：一个屏幕盯住所有AI会话，无需多开

60. 5 月 20 日同一天，谷歌开发者大会和阿里云峰会，不约而同抛出同一个核心观点：AI 服务的主体，正在从人类转向智能体 Agent。此前行业一直比拼大模型性能，如今中美顶尖模型水平差距大幅缩小，单纯模型实力再也没法拉开竞争差距，AI 赛道正式从拼技术参数，转向拼实际落地干活的能力。谷歌顺势把重心放在智能体研发上，推出可自主处理办公、跨软件协作的智能产品，还凭借全新框架实现智能体批量协同作业，同时更新自研芯片，发力行业通用协议，试图制定智能体时代的行业规则。阿里云也围绕智能体发布全套产品，亮相新一代自研 AI 芯片与高性能服务器，硬件实力大幅升级。两家企业都集齐芯片、云服务、自研大模型完整技术闭环，AI 竞争迈入芯片、云端、模型、智能体一体化的全栈比拼阶段。两大巨头都选择把智能体融入自身原有生态，谷歌打通搜索、手机系统、办公软件，阿里联动电商、办公、支付平台，让 AI 不再只是聊天工具，变成能实际办事的帮手。往后越来越多事务、办公处理、交易操作，都会由全天候在线的智能体自主完成，智能体也将成为云端服务最主要的使用者，AI 行业正式迈入全新发展阶段。

61. 【腾讯发布 Agent 产品全景图】腾讯云今日正式发布 Agent 产品全景图，构建从基础设施到应用场景的完整体系。围绕 Agent 基础设施层、模型服务层（TokenHub 大模型服务平台）、技能生态层（开放微信、元宝等生态资源）、AI 应用层及安全层五大板块展开。腾讯集团高级执行副总裁汤道生表示，AI 应用正从 Chatbot 向 AI Agent 跃迁，企业比拼重点将转向工程化能力，未来每个个体和企业都能借助标准化工具快速搭建智能体应用。在主流大模型能力差距逐渐缩小的背景下，腾讯此举意在通过“基础设施+生态资源”抢占 Agent 工程化落地的先机，将 AI 能力转化为可规模化复用的企业服务底座。#腾讯云##AI Agent##大模型#

62. 没有智驾的会议室不是好KTV！地平线KaKaClaw车载智能体上手

63. Agent Skills使用指南：让AI智能体拥有“即插即用”的超能力

64. 通过使用 Agent 和 subagent，我体会到了 orchestra 这个词的真正含义。你创建了 sub agents, 需要有一个主控 Agent 来协调。这个主控 Agent 叫做 orchestrator。比如 kilo code 里就有 Orchestrator 模式。本质一样： - orchestra（乐团）：很多乐器（小提琴、鼓、号……）各干各的，要好听就得有人统一指挥。- orchestrator（智能体贴主控）：很多子智能体（sub-agent）各干各的活，要顺畅、不出错、按顺序来，就得有个主控统筹。对应关系就是： - 乐器 = 子智能体（sub-agent）- 指挥 = orchestrator- 一首完整曲子 = 你要完成的复杂任务

65. AI Agent最新重磅综述：迈向高效智能体，记忆、工具学习和规划

66. 【首发落地：#京东科技发布ClawTip#，AI智能体开启自主支付新范式】3月31日，京东科技正式推出ClawTip——业内首个面向AI Agent生态的A2A（Agent-to-Agent）微支付基础设施。该设施涵盖三大核心模块：智能体专属钱包（Agent Controlled Wallet）、AI驱动的自主支付执行能力、以及智能体交互链路的行为捕获与交易可信快照存证机制，支持AI智能体在服务调用过程中完成端到端自动结算。接入ClawTip后，AI智能体可独立完成询价、比价、决策、支付及服务获取等完整商业闭环。

67. 使用 Claude Code：会话管理与 100 万上下文

68. 【360 推出 OpenClaw 安全指南，破解 AI Agent 提示词注入难题】360 集团发布国内首份《OpenClaw 安全部署与实践指南》，为开源 AI 智能体 OpenClaw 提供安全保障方案。随着 AI 智能体向「数字分身」演进，OpenClaw 等智能体部署面临管理接口暴露等典型风险，尤其是提示词注入和插件供应链攻击。360 提出「先可控、再提效」的分类治理策略，针对个人开发者与小型创业团队和政企级多智能体协同场景给出不同防范建议。该指南发布标志行业关注点转向安全合规治理，为构建 AI 应用生态奠定技术基础。

69. #how i ai# #产品经理边界探索# 记录一下从使用开源项目CC Connect，到修改开源项目使其支持Wecode，到写一个开源项目的过程。 Weibo AI Bridge 开源地址： github.com/kangjinshan/weibo-ai-bridge需求背景：现在我常用的AI AGENT（Claude、Codex）都24小时不间断的跑在Azure虚拟机上随时待命，需要一个能够便捷移动端进行指令操作的工具。微博私信与 AI Agent 的桥接服务，通过微博开放平台 WebSocket API 连接微博和多个 AI Agent（Claude、Codex），实现智能对话功能核心功能微博私信桥接: 通过微博开放平台 WebSocket API 实时接收和发送微博私信多 Agent 支持: 支持 Claude 和 Codex 两种 AI Agent，可灵活切换会话管理: 自动管理用户会话，保持对话上下文上下文记忆: 支持会话持久化存储，可创建、切换、恢复多个会话自动建会话: 用户在没有活跃会话时直接发送第一条消息，会自动创建新会话，无需手动 /new会话标题: 每个会话会自动记录首条真实问题作为标题，最长 50 个中文字符流式回复: 收到用户消息后会先发送“正在处理中”提示，随后再发送真实回复内容可读性优化: 长回复默认优先使用 Markdown 列表/小标题与自然分段，避免一大坨纯文本消息路由: 智能路由消息到对应的 AI Agent命令处理: 支持会话列表、会话切换、Agent 切换、状态查看与对进行中会话插话命令旁路: 当上一条普通消息仍在处理中时，/help、/list、/status 等 slash 指令会立即执行，不进入消息队列健康检查: 提供 HTTP 接口用于健康检查和统计信息

70. 两个月前就应该进行的DGX Spark开箱，开始搞事情。英伟达给AI开发者的这款单兵神器，号称桌面级人工智能超算，我称之为AI魔法盒子、模块化的便携智脑。单机微调小模型、跑千亿参数大模型、智能体部署调试，有它不一定非得向云、集群申请算力，小任务本地就能搞定。下一步两台互联。见过多台路由组群的，有机会再试。

71. MCP 服务器为何成为关键微服务？

72. Agent 正在"微服务化"？Anthropic 的Managed Agents来了

73. 让 AI Agent 们学会「写信」：一个文件系统的异步通信方案

74. DeepMind：智能体越多越乱，Agent天花板出现了？

75. AI时代，如何对单体应用进行微服务化重构？

76. Agent Harness 系统分类——厘清企业级智能体基础设施的工程边界

77. 不再单兵作战：“多智能体（Multi-Agent）微服务”架构

78. 2025年AI Agent元年：三大核心协议(MCP/A2A/SCP)详解与实战，收藏学习指南！

79. Google ADK 深度探索（三）：Agent 架构——从单一职责到多智能体协作

80. 智能体调用工具tools的常见问题

81. RAG 与 Agent 性能调优 50 讲 - 极客时间

82. AI Agent 工程化：从单智能体到多智能体协作的架构演进

83. 智能体工作流：让AI自主调用工具，重塑企业自动化

84. 什么是多智能体协作（Multi-Agent）？

85. 第七章 LangGraph进阶：多智能体协作与复杂流程管控

86. 大语言模型智能体（LLM Agents）工具调用的演进：从单工具调用到多工具协同编排

87. 智能体框架的构成解析

88. 智能体约束架构解析

89. 智能体来了：从0到1：真正的第一步，不是调用API

90. 你的并行 Agent 上限

91. 字节大模型二面：在高并发RAG Agent系统中，如何优化召回和生成阶段的延迟？

92. 多智能体架构如何实现意图理解、规划与工具调用的解耦

93. 16_《智能体微服务架构企业级实战教程》开发框架搭建之项目初始化

94. 【银行业展望系列】AI赋能场景升级：从知识问答到智能体应用

95. OpenClaw × AgenticHub 架构解析：智能体系统如何真正具备执行能力

96. 开发AI智能体的核心能力和线上问题总结

97. Agent 时代的推理加速： SpecForge 支持 128K 长上下文 EAGLE-3 训练与落地

98. [译] 深度解析 Claude 子智能体与智能体团队：架构、差异与实战选择

99. AI Agent在应用中的'人-机-事'三体架构

100. 大模型的“逻辑坍缩”与多智能体协作的真实困境

101. 从RL到LLM：大模型智能体的四大核心能力拆解

102. 智能体｜Agent 架构演进与选型

103. 走出单体幻觉：多智能体架构的策略性思考

104. 智能体来了从 0 到 1：为什么一开始必须划清智能体的任务边界？

智能体微服务化拆分的核心动因、挑战与落地策略

精选参考来源