当前位置：

社区首页

电脑数码

软件应用

服务软件

AIGC文章详情

多智能体协作不是万能解药：选错框架，80%工单卡在互相等待

源自196位全网作者

04-10 14:46

精选参考来源

//@黄建同学:这里面有个关键点：如何把Agent融合到现有工作流，成熟企业里面一般都有一套标准的工作流/工作方法，要改变人的习惯很难，但是如果定位在把Agent当做解决问题的一种方法，将Agent融合在现有工作流的一部分，不改变（或者小小改变）大家的工作习惯，采用起来会更容易得多

全部
来源

内容由AI生成

1. //@黄建同学:这里面有个关键点：如何把Agent融合到现有工作流，成熟企业里面一般都有一套标准的工作流/工作方法，要改变人的习惯很难，但是如果定位在把Agent当做解决问题的一种方法，将Agent融合在现有工作流的一部分，不改变（或者小小改变）大家的工作习惯，采用起来会更容易得多

2. Google 最新的白皮书，很值得收藏！《Introduction to Agents》，这个白皮书几乎可以看作是对“智能体时代”正式宣言。它系统地定义一种新型软件范式——让模型能自主思考、决策和执行。AI 正在从“预测”走向“行动”。1. 从预测式AI到行动式AI过去的AI是“被动的”：模型接收输入、生成输出，一问一答。但这篇文档开篇就指出，我们正在经历一次范式转变——从“预测AI（Predictive AI）”到“自主智能体（Autonomous Agents）”。智能体的关键区别在于：它不再等人指令，而是能围绕目标自我规划、行动、再评估。Google 把这类系统定义为一个闭环结构：LLM + 工具 + 编排层 + 部署环境。LLM提供推理，工具执行动作，编排层控制整个“思考—行动—观察”的循环，而部署让智能体能长期运行和被复用。2. 智能体的工作循环：Think–Act–Observe文档用一个非常清晰的五步模型解释智能体的工作方式：1. 获取任务（Get the mission）2. 扫描场景（Scan the scene）3. 思考计划（Think it through）4. 执行动作（Take action）5. 观察反馈（Observe & iterate）这一循环让智能体具备了真正的“任务感”。举个例子：用户问“我的订单在哪？”，智能体不会立刻回答，而是分解出“查订单→查物流→整合结果→回复”的完整路径。我特别喜欢它强调的那句话：智能体的本质，是上下文窗口的策展人（curator of context window）。——它不断组织、更新、过滤信息，让模型始终聚焦在当前任务最关键的上下文上。3. 智能体的分级：从单脑到群体这份白皮书提出了一个五层级的智能体体系：Level 0：仅推理模型（纯LLM）Level 1：能调用外部工具的“连接型问题解决者”Level 2：具备策略规划与上下文工程能力的“战略型智能体”Level 3：多智能体协作系统（类似团队协作）Level 4：自我演化系统（能创造新工具或子智能体）这一分级体系几乎可以当作企业部署智能体架构的路线图——从简单的调用API，到让智能体学会分工合作，最后走向能自我改进的“学习型组织”。4. 三大核心组件：脑、手与神经系统Google 把智能体拆成三个核心部分：1. Model（脑）：推理与决策中心，负责思考。2. Tools（手）：执行动作的能力，比如RAG、API、代码执行。3. Orchestration Layer（神经系统）：调度逻辑、记忆与策略，实现“Think–Act–Observe”循环。有一个关键点：他们认为模型并不是越大越好，而是要根据任务选择最优组合——复杂任务用强模型（如Gemini Pro），高频简单任务则用轻模型（如Gemini Flash）。这种模型分层调度的思路对未来Agent架构很关键。5. Agent Ops：智能体的运维哲学文档中提出了一个新概念——Agent Ops。它相当于 DevOps 在智能体时代的延伸。因为智能体行为具有不确定性，传统的“单元测试=预期输出”已经失效。Agent Ops 的目标是通过指标驱动、日志追踪、模型评审和用户反馈闭环，让系统在不确定中保持可靠。一个新的职位或部门来了？Agent Ops6. 安全与治理：从单Agent到Agent Fleet当智能体数量增多，问题就从“怎么造一个Agent”变成“如何管理一群Agent”。Google 提出的解决思路是建立控制面板（Control Plane），统一管理身份、权限和通信协议（MCP/A2A），避免Agent Spraw（智能体泛滥失控）。有意思的是，文中引入了“Agent作为新型主体（principal）”的概念，认为Agent不只是代码，而是一种能独立被认证、被授信的行动体。7. 学习与自演化：Agent Gym 的想象力最后几章讨论了“Agent如何自我进化”。Google 提出了一个概念叫 Agent Gym，类似模拟环境，用来让智能体在离线条件下训练、演练、红队测试、吸收人类反馈，从而“成长”。这个暂时用不上，估计大公司比较有资源搞。——这两个新的点，之前没深刻理解：1. Agent = 新的软件范式。过去我们以为“智能体”只是“会用工具的模型”，但Google用这份文档明确告诉大家——Agent是一种新的软件范式。它不是应用AI，而是用AI重新定义应用。2. Agent的核心不在“思考”，而在编排（orchestration）。未来的开发者更像导演而不是程序员——我们要设计场景、挑演员、布置镜头，让智能体自然演出目标行为。#ai创造营##科技#

3. 所有看到这条微博的小伙伴一定要去配置一个龙虾（openclaw）。真的太好用了，质量和chatgpt，claude，gemini（我都开了会员）完全不是一个量级，完全秒杀它们。其实最大的差异不在模型能力本身，而在 engineering workflow 的整合深度。OpenClaw 的架构设计更偏 agent-native —— 原生支持多轮工具调用、本地文件系统交互、自动化任务编排。整个 pipeline 的 latency 和 context management明显优于前两者的 web-based 交互模式。简单来说，ChatGPT 和 Gemini 更像是一个"聊天框里的聪明人"，而 OpenClaw 就是一个"能直接上手干活的专业人员”。生产力提升真的是量级上的。

4. 为什么 Claude Skills 的爆发点在 2026 年 1 月？问：Claude Skills 是去年 10 月中就推出的，为什么现在才突然火起来？这是个很好的问题。Claude Skills 确实在 2025 年 10 月中旬就发布了，但直到 2026 年 1 月才真正爆火。这背后有表面原因，也有更深层的逻辑。核心原因就是这东西如果只能在技术圈自嗨，它是火不起来的。去年 10 月份 Skills 编程领域其实很快就开始用起来了，而现在火，只是因为它出圈了，在技术之外的领域火起来了，非技术人员也用起来了。Skills 真正的价值其实是在非编程领域。去年 Coding Agent（比如 Claude Code、OpenCode）开始在非编程领域开花，而 Skills 的设计特点让它能很快找到 Agent 在非编程领域上的场景落地。1. 有 bash 和脚本能力，可以自动化本机操作Skills 让 Claude 能借助代码脚本操作你的本机系统，把很多琐碎的电脑操作变成自动化操作。Claude Code 的创建者 Boris Cherny 在 X 上分享过一个有趣的观察：自从 Claude Code 发布以来，他发现用户们在用它做各种非编码的工作——做度假研究、做 PPT、清理邮件、取消订阅、从硬盘恢复婚礼照片、监控植物生长，甚至控制烤箱。> Since we launched Claude Code, we saw people using it for all sorts of non-coding work: doing vacation research, building slide decks, cleaning up your email, cancelling subscriptions, recovering wedding photos from a hard drive, monitoring plant growth, controlling your oven.>> 网页链接这些场景和写代码完全不沾边，但 Skills + bash 能力的组合让这一切成为可能。比如我自己就做了一些工作流，帮我采集信息、写作、写 PPT、画漫画、发布，极大提升效率。像发文章到公众号、X Article 这些，以前需要手动重复的操作，现在一个 Skill 就搞定了。2. Skills 可以相互调用，用自然语言编排工作流如果是单一的 skill，作用其实有限。但当你有多个 skills，并且 skills 还可以相互调用，那意味着你可以编排工作流。Skills 让 AI 可以像《黑客帝国》主角 Neo 那样瞬间学会新技能：“I know kung fu”。Claude 会根据任务自动加载需要的 Skill，完成后再卸载，整个过程无需用户干预。而最神奇的地方在于，你只需要用自然语言去编排工作流。这中间会有 Agent/大模型去解读你的自然语言，按照工作流执行，有问题还会帮你修复。这极大地解决了非专业用户需要程序员协助编排工作流的问题。3. Skills 本身易于分发，几乎成了每个 agent 的标配一个 skill 只要有一个 SKILL.md markdown 文件和辅助的脚本或者文档，打个 zip 包就能发布。这种轻量级的设计让分发变得极其简单。有个时间点很重要，2025 年 12 月 18 日，Anthropic 宣布将 Agent Skills 规范开放为跨平台标准。很快，微软在 VS Code 和 GitHub Copilot 中集成了对 Agent Skills 的支持，OpenAI 也在 ChatGPT 的代码解释器和 Codex CLI 中采用了几乎相同的技能目录结构。Skills 在 10 月发布时，主要还是被定位为开发者工具。但随着生态成熟、开放标准确立、以及 Cowork 这样面向普通用户的产品推出，Skills 在非编程领域的价值才真正被释放出来。回顾这个过程：10 月：Skills 发布，开发者圈小范围关注11-12 月：技能规范开放、生态扩展、用户积累经验1 月：产品更新 + 非编程场景落地 + 病毒式传播 = 爆发Skills 的爆发是现在它找到了真正的价值定位，让非程序员也能通过自然语言编排复杂的自动化工作流。这才是 Skills 真正火起来的原因，随着更多场景被发掘出来，还会持续的火上一段时间。

5. 智能体设计模式总结

6. 未来的人和智能体应该是相互融合协作的关系。 #大咖观察 #红衣聊AI #智能体 #人机协作

7. 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

8. 荣耀MagicAgent正式全球开源！作为YOYO智能体的“大脑”，它彻底打破了AI只会动嘴不会动手的僵局。这不只是简单的模型升级，而是行业首个支持全场景泛化规划和异构任务编排的基础模型。在荣耀AI团队与复旦大学的深度调优下，它最核心的“规划”能力实现了质变。硬核数据直接看齐：在5大场景和6大核心性能测试中，MagicAgent全面领先GPT-4o（注：此处根据当前主流大模型命名认知调整，保持专业感）。中国智能体正式进入“全球领先”的规划编排时代，未来你的手机将比你更懂如何执行复杂任务。 #MagicOS月月新##万事找YOYO##有点东西##数码闲聊站[超话]#

9. 2026年 AI 工程师发展路线图：AI 时代如何通往高级系统架构师AI行业的价值重心正从构建简单的API封装（“玩具”）迅速转向开发复杂的、生产级的自主系统。目前市场充斥着基于大型语言模型的浅层应用，这些应用缺乏护城河，容易被大型科技公司取代。为了在未来保持竞争力并获得高薪（报告中指出“提示工程师”与“系统架构师”之间存在15万美元的薪资差距），工程师必须深入理解并实践系统编排、内存管理和本地推理等核心能力。该路线图提出了一个由五个难度递增的项目组成的实践蓝图，旨在帮助工程师构建一份能够证明其具备处理生产环境复杂性能力的强大作品集。这些项目涵盖了从边缘AI和资源优化，到智能体循环、多模态AI集成，再到隐私优先的个人化AI助手和企业级的自主工作流编排。真正的职业保障源于专业知识和构建真实系统的能力。成功的关键在于立即行动、公开构建并记录过程，而非停留在理论学习。只有那些将知识转化为实际生产系统的人，才能成为未来企业迫切需要、不可替代的核心人才。核心观点：从“封装者”到“架构师”的转变。大多数开发者正在构建的只是“玩具”，而世界需要的是“系统”。为了实现职业上的突破，工程师必须摆脱“教程地狱”的舒适区，转向更具深度和复杂性的挑战。五个生产级项目：通往大师之路以下五个项目按复杂性排序，旨在构建一个能够证明工程师具备驾驭生产级复杂性能力的作品集。项目一：由小型语言模型驱动的AI移动应用> 级别: 初级> 证明能力: 边缘AI + 资源优化> 挑战: 构建一个离线优先的移动应用，使用小型语言模型（SLM）实现零API成本和完全的隐私保护。此项目旨在训练工程师如何在资源受限的硬件（如手机）上优化模型。> 关键架构决策: - 模型管理: 按需懒加载模型以节省内存；在检测到内存压力时卸载不活跃的模型；在设备空闲时预加载常用模型。 - 上下文窗口: 实现带有语义分块的滑动窗口机制。保留最相关的上下文，丢弃最旧的。使用嵌入相似度来决定哪些内容保留在窗口中，哪些被归档。 - 量化策略: 根据设备能力实施动态量化。对旧设备（2020年前）使用4位量化，对新设备使用8位量化。动态检测可用RAM并进行相应调整。 - 电池优化: 批量处理推理请求以减少设备唤醒周期；在低电量模式下限制模型调用频率；将非关键处理推迟到设备充电时进行。 - 离线优先同步: 用户数据以加密格式存储在本地。仅在连接网络并获得用户许可时才同步到云端。冲突解决机制优先保留本地更改。项目二：自我改进的编码智能体> 级别: 中级> 证明能力: 智能体循环 + 生产级调试> 挑战: 聊天机器人等待提示，而智能体等待目标。此项目的核心在于构建一个能够自主编写代码、运行测试并从失败中学习的智能体。它会不断循环，直到代码功能正常。> 关键架构决策: - 执行循环设计: 采用“计划 → 执行 → 测试 → 反思”的循环，并设置最大迭代次数限制。每个循环都存储状态以便在中断后恢复。使用熔断器模式来防止无限循环。 - 沙盒策略: 为每个任务提供隔离的执行环境。对CPU、内存和执行时间设置资源限制。文件系统访问权限仅限于项目目录。 - 内存层级: 短期内存保存当前任务上下文（最近5次迭代）；长期内存按问题类型索引成功的模式；失败内存存储错误签名及其解决方案。 - 反思机制: 每次失败后，提取错误模式和根本原因。使用向量相似度与过去的失败进行比较，生成关于失败原因和修复方法的假设。 - 从错误中学习: 存储失败尝试的完整上下文（尝试了什么、为什么失败、如何修复的）。在未来遇到类似任务时，先检索相关失败案例，避免重复犯错。 - 代码安全: 在执行前进行静态分析，检测潜在的危险操作。对于文件系统或网络操作，需要获得明确批准。项目三：“视频剪辑领域的Cursor”> 级别: 高级> 证明能力: 多模态AI + 复杂工具集成> 挑战: 文本是过去，视觉和视频是现在。企业需要能够理解并操作复杂媒体的智能体。此项目要求复刻一个开源视频编辑器，并构建一个能理解用户剪辑意图的AI智能体。例如，用户说“让这个更有电影感”，智能体便能自动处理剪辑、转场和调色。> 关键架构决策: - 多模态理解: 视觉模型分析每一帧的构图、光照和主体；音频模型分析对话、音乐和环境声。结合两种数据流来理解叙事流程。 - 意图转换: 将抽象指令（如“电影感”）转换为具体参数：慢节奏（80%速度）、降低饱和度的色彩（应用LUT）、模拟浅景深（对背景应用高斯模糊）、戏剧性的音乐提示等。 - 场景检测: 分析帧间差异以检测硬切点。使用嵌入相似度来识别场景边界，并根据视觉和听觉变化识别故事节拍。 - 编辑决策列表生成: 在执行前规划整个剪辑流程。生成剪辑、转场和特效的时间戳。在应用前验证计划是否符合叙事逻辑。 - 增量预览: 每次更改后不重新渲染整个视频，只生成受影响部分的预览。缓存未更改的片段以加快迭代速度。 - 反馈整合: 当用户说“太暗了”，智能体能分析亮度直方图，识别问题区域并应用针对性校正。跨会话跟踪用户偏好以改进未来建议。 - 带推理的撤销/重做: 每次编辑不仅存储了“什么被改变”，还存储了“为什么被改变”。用户可以询问“你为什么在这里剪辑？”，并得到基于检测到的故事节拍的解释。项目四：个人生活操作系统智能体> 级别: 专家级> 证明能力: 深度上下文 + 隐私优先架构> 挑战: AI的最大障碍是记忆。一个健忘的智能体毫无用处，而一个了解你生活的智能体则是一个伙伴。此项目要求构建一个深度个性化的智能体，管理你的日历、财务和健康，能够提前数月进行规划，并通过分析睡眠模式和会议密度来检测倦怠风险。> 关键架构决策: - 持续上下文构建: 实时摄取来自日历、财务、健康和通信工具的事件。提取实体（人物、地点、项目）并构建个人知识图谱，绘制实体之间随时间变化的关系。 - 主动监控: 后台线程每6小时运行一次，分析模式。检测异常情况，如会议密度增加而睡眠质量下降，并在问题变得严重前标记风险。 - 价值对齐: 用户明确陈述其优先级（如：家庭 > 工作，健康 > 收入）。每一条建议都将根据这些价值观进行验证。当行动与既定优先级发生冲突时，会向用户提示。 - 隐私架构: 所有数据均使用用户控制的密钥进行静态加密。未经明确许可，任何数据都不会离开设备。对于敏感操作，智能体可以完全离线运行。 - 预测性规划: 分析历史模式以预测未来的瓶颈。例如：“根据你第四季度的模式，你将在三月份过度劳累。”并立即建议预防性的日程调整。 - 决策支持: 当用户面临选择时，智能体提供多维度分析：财务影响、时间成本、与价值观的对齐度、潜在冲突等。建议中包含推理过程，而不仅仅是结论。 - 内存整合: 每晚进程将日常事件总结并存入长期记忆。在保留意义的同时压缩细节。旧记忆除非被反复访问，否则会逐渐衰退。 - 透明推理: 每条建议都包含“我推荐这个的原因”，并引用具体的数据点。用户可以深入探究其推理链。项目五：自主企业工作流智能体> 级别: 大师级> 证明能力: 生产级编排> 挑战: 这是AI工程的终极挑战，是作品集的收官之作。构建一个能够端到端运行业务工作流的智能体：监控Slack/Jira，规划执行方案，委派任务，并报告结果，同时提供完整的审计日志。> 关键架构决策: - 事件驱动架构: 监听来自Slack、Jira、电子邮件、监控系统等工具的事件。通过模式识别来识别工作流触发器。每种事件类型都映射到一个工作流模板。 - 工作流编排: 将复杂的工作流分解为带依赖关系的多个步骤。在可能的情况下并行执行步骤。通过持久化状态来处理长时间运行的操作。 - 多智能体委派: 一个“编排者”智能体生成专门处理子任务的“专家”智能体（如通信、数据查询、根本原因分析、文档编写等）。 - 自我修复机制: 监控每一步的成功/失败。失败时，确定是应该重试还是需要上报。对暂时性故障实施指数退避策略，使用熔断器来阻止重复失败。 - 审计追踪: 对采取的每一个行动都生成不可变的日志。存储决策内容、原因、授权人以及结果，可用于合规审计和调试。 - 基于角色的访问控制 (RBAC): 智能体的行为受限于调用它的用户的权限。敏感操作需要明确的人工批准。任何智能体都不能访问其范围之外的数据。 - 可观测性: 追踪每次LLM调用的输入、输出和延迟。收集工作流成功率、执行时间和单位成本等指标。当工作流反复失败时发出警报。 - 人在回路: 对于关键工作流，智能体在执行前提出计划供人工审核。突出高风险操作以供审查。在置信度低时向上级汇报。 - 工作流学习: 工作流完成后，评估其成功和失败之处。为未来类似情况存储成功的模式。根据结果更新工作流模板。 - 成本管理: 跟踪每个工作流的Token使用量。实施预算限制。在不牺牲质量的前提下优化提示以降低成本。前进之路：从思考者到实践者> 2026年的残酷真相 - 可替代者: 那些继续构建简单封装层的开发者。 - 不可替代者: 那些交付并部署自主系统的工程师。 - 两者之间的差距，仅仅是完成这五个项目的决心和行动。> 立即行动 - 选择一个项目开始: 新手从项目一开始，经验丰富的工程师可以直接挑战项目五。关键在于“开始”。 - 立即构建: 利用周末时间开始构建，因为市场奖励的是交付成果，而不是学习过程。 - 完整记录: 记录架构决策、失败与恢复过程、自我修正循环以及生产部署的全部细节。 - 公开构建: 在公共平台上分享进展，这有助于建立个人品牌并获得反馈。> 成果的差异 - 绝大多数人（90%）在阅读后将无所作为，继续构建相同的封装应用。 - 而另外10%的行动者将交付出真正的系统，他们将获得面试机会、工作录用和职业发展的主动权。总之：选择很简单：要么成为企业迫切需要聘请的架构师，要么被时代淘汰。专业知识是唯一剩下的职业保障。生产系统是唯一重要的作品集。现在，去构建一个能在现实中存活下来的东西。#ai创造营# #程序员#

10. Multi-Agent Collaboration via Evolving Orchestration这篇论文提出了一个极具启发性的多智能体协作框架：让整个多智能体系统由一个可学习的 “木偶师（Puppeteer）” 动态调度所有智能体（Puppets）这个框架，旨在通过解决现有系统固有的静态组织结构问题，来优化大型语言模型（LLM）的多智能体协作。其核心思想是利用一个集中式协调器，像木偶师一样，根据任务的动态变化来动态指导和调度专业化代理的激活顺序。这种协调器通过强化学习进行训练，其奖励函数旨在同时最大化解决方案的质量和计算效率，例如减少令牌消耗。实验结果表明，该方法在各种任务中实现了卓越的性能，同时显著降低了计算开销，证明了其可扩展性。分析进一步揭示，经过优化的协调机制促使多智能体系统形成了更紧凑且具有循环反馈的推理拓扑结构，超越了传统的链式或树状模型。1 研究提出的问题：当前 MAS 存在的根本瓶颈1）当前大多数多智能体系统采用静态结构，例如固定流程、固定 DAG、固定角色协作方式。2）当任务复杂度提升或智能体数量增加时，静态架构会出现协调开销大、冗余调用多、效率下降等问题。3）某些智能体在任务中实际贡献有限，但静态结构依然会触发它们，导致 Token 浪费甚至干扰推理。4）在软件生成、复杂问答、开放域推理这些任务中，多智能体之间真正有效的协作模式往往因任务不同而变化，这很难靠人工预设计完成。因此，论文提出一个关键问题：能否让一个系统自动“学会”如何调度智能体，而不是用固定协作结构？2 核心思想：木偶师式动态调度（Puppeteer Paradigm）智能体是“木偶”，一个中央控制器是“木偶师”，其任务是在推理过程中动态决定谁上场、谁退场。整体架构包含三个关键点：1）让一个中央 orchestrator（木偶师）在每一步根据当前任务状态，选择一个最合适的智能体执行下一步推理。2）这个 orchestrator 会在任务执行后得到奖励（正确性 + 计算成本），并通过强化学习不断优化调度策略。3）虽然过程是序列化的（每步一个 agent），但整个推理轨迹可以折叠成一个动态生成的有向图，即“推理图谱（Graph-of-Thoughts）”。这意味着：1）系统可以随着任务自动形成树结构、图结构、循环结构等多种协作拓扑。2）协作不再依赖预定义流程，而是任务驱动、自适应、持续演化的。3 方法框架详细拆解论文的方法分成两个关键模块：3.1 动态编排（Dynamic Orchestration）1）将每个智能体表示为一个三元组（模型、推理模式、可用工具）。2）将多智能体协作建模为一个集中式决策过程：木偶师在时间 t 根据全局状态 Sₜ 选择一个 agent 执行推理。3）每个 agent 输出结果后更新全局状态，并交由木偶师继续选择下一个 agent。4）当遇到终止条件（例如 Terminator agent）时，系统停止并输出最终结果。这个决策过程严格满足马尔可夫性，天然适合强化学习：P(aₜ₊₁ | S₀, ..., Sₜ₊₁) = P(aₜ₊₁ | Sₜ₊₁)因此 orchestrator 可以真正做到基于实时状态的动态调控。3.2 自适应演化（Adaptive Evolution）论文使用 REINFORCE 算法优化 orchestrator 的策略 π：1）任务完成后一次性给出奖励 r（正确 1，错误 0，开放任务得分区间为 [0,1]）。2）每一步会设定成本 Cₜ（Token 或 FLOPs）。3）总回报为 r 减去 λ·成本，λ 是可调的效率权重。该设计促使 orchestrator 学会：1）更倾向使用高性价比的智能体2）避免冗余推理步骤3）尽快调用 Terminator 停止推理4）长期形成紧凑而高效的协作结构4 实验结果解析：性能提升 + 成本下降“双赢模式”1） Puppeteer 在几乎所有任务上都获得显著性能提升2）强化学习后的 evolved 版本比初始版本显著更强3）在 Titan 模型空间中，平均性能从 0.6893 提升到 0.77314）更重要的是 Token 开销随着训练反而下降，不是上升这与过去多智能体研究经常出现的“调用越多越好”形成鲜明对比。5 拓扑结构的演化：从链式到紧凑循环论文一个非常有趣的发现是：随着 orchestrator 训练，多智能体协作拓扑从松散 → 紧凑，从树结构 → 图结构，并出现大量循环。具体表现为：1）图密度增加2） agent 之间的循环次数增加3）反复调用少量“核心智能体”的情况越来越多4）冗余 agent 被逐步淘汰5）推理链路更短、更集中、更有效其背后的原因非常符合直觉：1）强 agent 往往值得重复调用2）循环（自我检查、跨 agent 校验）有益于复杂推理3）扩散式的树结构容易浪费 token4）强化学习会惩罚冗余推理，鼓励形成高效闭环可以认为，这是一种机器自动学习推理结构的过程，类似于“推理图谱的自组织”。#ai创造营# #科技#

11. 对我来说，HUAWEI Mate X7更吸引我的在于 #小艺# 和TA那些“智能体朋友”的紧密协作。 #华为折叠屏首发A2A智能体协作#，让小艺能调度鸿蒙应用智能体来办专业事！而且小艺自己的AI能力也超强，其中小艺简报能收集全局待办、日程简报、通知摘要等内容，另外还可以围绕健康提供个性化的简要AI建议，结合用户个人偏好生成每日播客推荐等，帮助我们更高效的聚合信息和获取知识！#华为Mate80#

12. iPhone 18 Pro 大概率会成为苹果 AI 的 “正名之作”， “端侧优先 + 云端补强” 的混合架构落地是iPhone 18 Pro最大的变化。iPhone 18 Pro依托 2nm 芯片的强悍算力，将苹果自研的轻量级模型（如 Ferret-UI Lite）深度部署于端侧，实现照片修图、文案总结、屏幕操作等任务的离线秒级响应，既保障隐私安全，又让 AI 真正融入系统底层。与谷歌 Gemini 的联合优化补齐了 Siri 的短板。复杂推理、跨应用编排等重负载任务交由云端处理，形成 “端侧做执行，云端做规划” 的高效分工。这种策略既守住了苹果的隐私底线，又解决了 Siri 长期以来的能力争议，有望让 iPhone 18 Pro 成为苹果 AI 体验从 “被动跟随” 到 “主动定义” 的关键拐点。#iPhone18Pro灵动岛缩小35%##iPhone18Pro小批量试产##科技先锋官#

13. 谷歌（Google Cloud）在其最新的《2026年AI智能体趋势报告》（AI Agent Trends 2026 Report）中，提出了AI智能体将如何重塑业务模式并驱动新价值的五大核心趋势。谷歌发布的2026年AI智能体五大趋势：AI智能体将助力全员生产力提升（AI agents will help everyone be more productive）员工将从日常重复性的执行工作转向更高层级的战略决策，将任务委托给不同的AI智能体来达成目标。AI将成为工作流程的起点。智能体工作流将成为核心业务流程（Agentic workflows will become a core part of business processes）系统中的多个智能体将能够相互协作、协调和通信，以自动化复杂的、多步骤的流程。这远超简单的聊天机器人，能够运行从开始到结束的完整工作流。从“搜索引擎优化”转向“智能体可发现性优化”（From SEO to Agent Discoverability）随着AI智能体开始代表人类进行决策和采购，企业将不再仅仅针对人类用户进行优化（SEO），而是需要优化其数据和接口，以便能被其他AI智能体“发现”并与之交互。提供“礼宾级”的客户体验（"Concierge-style" customer service）AI智能体将能够处理高度个性化的体验，实现全天候、跨语言、跨平台的实时响应。智能体能够理解上下文并处理从查询到完成交易的全过程。建立统一的AI生态系统与人类协作（Building a Unified AI Ecosystem & Human-AI Collaboration）孤立的AI工具将连接成一个单一的生态系统。同时，企业的重点将转向培训员工如何更有效地与AI协作，确保在处理复杂问题和道德考量时有“人类在环”（Human-in-the-loop）。原文网址：Google Cloud 官方博客文章：5 ways AI agents will transform the way we work in 2026 网页链接(注：这是该报告的核心总结文章)Google Cloud 资源中心（报告下载页）：AI agent trends 2026 report | Google Cloud(您可以在此页面下载完整的 PDF 深度报告)网页链接 Google谷歌爱好者的微博视频

14. #华为折叠屏首发A2A智能体协作#就我本人来说，除了最关注的Mate 80之外，最感兴趣就是华为Mate X7它首度实现A2A智能体协作商用，这标志着折叠屏手机进入智能化新纪元。华为A2A（Agent-to-Agent）智能体协作技术，突破了传统设备操作方式，实现设备间无缝互动与协作，为用户提供了更高效、智能的使用体验。这一技术的发布，不仅提升了华为Mate X7的多任务处理能力，也深度展示了小艺智能体的强大实力，进一步推动智能设备的互联互通。凭借A2A智能体协作，华为Mate X7可在多个设备间实现无缝切换，提升工作与娱乐的效率，同时使折叠屏的使用体验更加流畅、灵活。这一突破性功能，将为未来折叠屏手机的应用场景带来更大想象空间。

15. 不用 LangGraph / AutoGPT，纯 Python 手搓 AI Agent，真的可行吗？

16. 都有这么多 Agent SDK/框架了（我应该没列全吧）一、OpenAI Agents SDKOpenAI 推出的 Agents SDK 是目前最轻量、最直接的 Agent 开发方式。它原生支持 Python 和 TypeScript，语法简洁，几行代码就能让 LLM 调用外部函数、工具或执行任务。1. 与 OpenAI 模型的无缝集成，尤其是函数调用、上下文管理等特性。2. 支持 multi-agent handoff 与任务链式调用，便于扩展复杂逻辑。3. 具备生产友好的可观测性与追踪机制。它非常适合快速原型和中小规模生产项目，是“入门写 agent” 的理想起点。二、LangChainLangChain 几乎是 LLM 应用开发的“标准库”。其 Agents 模块为 LLM 封装了链式推理、工具调用、上下文记忆等能力。1. 概念丰富——有 Chain、Tool、Memory、Agent、Retriever 等模块，适合构建复杂系统。2. 插件与生态极其庞大，几乎支持所有主流模型与数据源。3. 提供跨语言支持（Python 与 JavaScript/TypeScript）。LangChain 上手门槛略高，但生态完整，非常适合需要可扩展架构的项目。三、LangGraph用“流程图”思维管理 Agent 状态。LangGraph 是 LangChain 的“升级版本”，它将 Agent 系统抽象为状态机＋有向图，可以显式地控制 Agent 间的消息流与执行路径。1. 天然适合多 agent 协作、任务编排和状态回溯。2. 支持持久化与可视化，能直观看到系统执行流程。3. 面向生产级场景，具备清晰的错误恢复与检查点机制。如果你想做一个“多 Agent 系统”，LangGraph 几乎是最强大的开源选择。四、Google ADKGoogle 的 ADK（Agent Development Kit）主打可扩展性与安全性。它不是轻量原型工具，而是企业级 Agent 平台。1. 多语言支持，深度集成 Google 生态（Vertex AI、Gemini 等）。2. 工具调用能力极强，可直接对接云服务、API 与企业系统。3. 自带日志、监控、可观测性与治理能力。适合需要在企业内部署、具备高可靠性要求的 Agent 系统。五、SmolAgentsSmolAgents 是Hugging Face推出的一款轻量 Python 库，设计理念是“最小可行 Agent”。1. 安装简单、API 极少，几分钟即可跑通一个工具调用示例。2. 灵活支持 tool 注册与函数调用，但不追求完整框架。3. 适合快速原型、实验性项目或教育用途。如果你希望“几行代码让 LLM 动起来”，SmolAgents 是最轻便的起点。六、AutoGenAutoGen 最初由 Microsoft 研究团队推出，用于多 Agent 间的对话协作。它以“角色对话” 为核心，支持 LLM 代理之间互相交流、分工、调度任务。1. 多 agent 结构灵活，可模拟协作团队。2. 支持复杂任务分配与循环反馈。3. 对研究者和实验系统尤其友好。如果你的目标是研究 agent 交互机制或自动化工作流，AutoGen 是很好的基础。七、MetaGPT角色驱动的 Agent 系统。 MetaGPT 是一个以“AI 团队”为核心的框架，设计理念是让多个 agent 分别扮演项目经理、工程师、设计师等角色，共同产出结果。1. 多角色、结构化协作，任务拆解逻辑强。2. 擅长长链路流程（如产品需求分析→代码生成→测试）。3. 适合自动化软件工程类场景。如果你希望让 LLM 们“像一个团队一样协作”，MetaGPT 是不错的模板。八、Haystack AgentsRAG 与 Agent 的结合体。Haystack 原本是一套开源 RAG 框架，如今扩展出了 Agents 模块。它擅长将检索、知识库与 LLM 推理结合。1. 内置文档检索、索引、管道机制。2. 适合企业知识问答、文档助手类 agent。3. 与 LLM 、数据库和 vector store 的集成成熟。如果你的 agent 核心任务是“带知识的问答”，Haystack 是现成方案。九、Claude Agent SDKAnthropic 推出的开发包。它基于其先前产品 Claude Code 的 agent 引擎（agent harness）构建，目的在于为开发者提供“从模型调用 + 工具调用 +流程控制 +状态管理”这一整套能力。1. 上下文管理自动化：自带对话／会话上下文的压缩与管理机制，避免因上下文过长导致模型性能下降。 2. 丰富的工具生态：包含文件操作、代码执行、网络搜索等内置工具，并支持扩展自定义工具／插件。 3. 权限与安全机制：可以细粒度控制 agent 可使用的工具、权限模式（例如 allowedTools、disallowedTools）等。 4. 生产化准备特性：例如会话管理、错误处理、监控能力、模型优化／提示缓存机制。 5. 插件和扩展支持：通过插件机制（如自定义命令、子 agent、技能集、MCP 服务器）可创建复杂系统。#ai创造营# #程序员#

17. 这个对 Agent 的定义和归纳挺好！Agent 是一种能够自主决策、执行任务、并在过程中动态调整行为的智能体。它并不是简单的问答系统，而是能理解目标、规划行动、调用工具、记忆状态，并根据反馈优化策略的智能执行系统。关键特征：（1）自主性：Agent 不依赖固定流程，而是根据上下文和已学到的信息动态决定下一步行动。（2）记忆能力：能够在多轮交互中保持状态，记住过往的操作与结果，用以改进后续决策。（3）工具使用：可以选择并组合不同的外部工具或系统，灵活完成复杂任务。（4）自适应性：在策略失败或信息不足时，能尝试不同方法或补充信息，持续优化执行路径。架构形式：（1）单智能体（Single-Agent）架构：由一个 Agent 处理所有任务，适用于中等复杂度的流程。（2）多智能体（Multi-Agent）架构：不同的 Agent 负责不同子任务，能处理复杂工作流，但需要协调机制确保协同一致。工作方式：Agent 通常会将用户请求拆解为子任务，通过搜索、记忆和工具调用等过程生成最终响应，并在此过程中不断判断是否需要更多信息、是否已回答过类似问题、是否需要切换策略。归纳起来：Agent 是具备理解、规划、执行、记忆与自我调整能力的智能体，能够以动态和自适应的方式完成复杂任务。#ai创造营# #程序员#

18. 打造「打工人」智能体：OpenAI 关于长期运行智能体（Long-running Agents）的实践总结AI 正在从只能处理单次对话的聊天助手，演变为能够胜任真实知识工作的数字员工。这些长期运行智能体不再满足于简单的问答，而是能够深入大数据集进行阅读、持续更新文件，并自主编写和运行代码。OpenAI 在其 Responses API 中引入了三个关键的智能体原语：技能（Skills）、托管 Shell（Hosted Shell）自动压缩（Compaction）。并从架构师的视角，为你剖析如何利用这些利器打造稳健的生产级智能体。1. 技能（Skills）不是营销文案，而是精确的路由逻辑技能描述实际上是模型的决策边界。它应该回答：我什么时候该用它？什么时候不该用它？预期的输出和成功标准是什么？实战证明，精确的描述能带来质的飞跃。早期客户 Glean 的案例显示，单纯提供做什么是不够的。通过加入负面示例（明确指出何时不调用该技能），智能体在经历最初约 20% 的误触发率下降后，路由精准度大幅提升。最终，其在 Salesforce 相关技能中的评估准确率从 73% 跃升至 85%。2. 别再往系统提示词里塞模板了一个常见的架构误区是将所有报告模板和业务规则全部塞进 System Prompt。这不仅会导致提示词过载，还会白白浪费 Token 并增加延迟。应当将模板和参考示例放入 Skill 内部。这些内容在未被激活时基本上是免费的——只有当智能体决定调用该 Skill 时，相关的示例才会被按需载入上下文。3. 托管 Shell 安全机制如果说 Skills 是脑中的知识，那么 Hosted Shell 就是操作的手。这是一个受控的容器环境，允许智能体安装依赖、运行脚本并生成制品（Artifacts）。作为架构师，安全是第一优先级。当技能+联网组合出现时，必须警惕数据外泄。OpenAI 引入了两层过滤机制：组织级白名单（管理员配置的全局信任域）与请求级白名单（仅限当前任务所需的子集）。4. 将文件作为人机协作的交接区在托管 Shell 环境中，/mnt/data 目录扮演着至关重要的角色。它是智能体存储临时文件的地方，更是人机协作的标准边界。一个成熟的设计模式是：工具写入磁盘，模型思考磁盘，开发者从磁盘提取。5. 自动压缩（Compaction）非常重要长期运行智能体在执行多步任务时，对话历史会迅速触及上下文上限。过去，开发者不得不手动编写逻辑来截断或总结历史。现在，服务器端自动压缩（Server-side Compaction）解决了这一难题。当上下文跨越阈值时，压缩会在 Responses API 的流中自动运行。Compaction 保持了长期运行的连续性，防止了‘重启行为（Restart Behavior）’，确保相同的工作流可以持续执行，而无需人工干预上下文管理。6. 三类典型的构建模式1）模式 A：安装 -> 抓取 -> 写入制品这是最基础的 Shell 用法。智能体在容器中安装必要库，抓取外部数据，并将结果写入 /mnt/data/report.md。2）模式 B：Skills + Shell 的重复性工作流将复杂的 SOP（如财务对账）封装进 Skill 并挂载到 Shell 容器中。这能显著提升多步任务的确定性，避免模型因思维漂移而偏离流程。3）模式 C：企业级工作流载体这是最先进的形态。通过 Skill 封装复杂的跨工具编排逻辑，将原本模糊的工具调用转化为程序化的 SOP。#HOW I AI##程序员#

19. AI 智能体驾驭 (Harness) 工程的兴起

20. 全球首家无人公司来了！一整个AI团队替人上班，不吃饭不摸鱼，普通人的数字员工时代真的来了吗？#大咖观察 #红衣聊AI #智能体 #AI时代

21. 你以为你看到的是AI的想法，实际上你看到的是：人类行为模式的一次完整数字回放。#大咖观察 #红衣聊AI #人工智能技术 #agent #AGI

22. AI也可以组建团队了港大开源的新项目ClawTeam感觉像是让AI Agent从单机到了集群，不同于当前主流的单Agent工具，ClawTeam引入了领导型Agent。当我们下单目标，它就会自主将复杂任务解构为子任务。从开发到部署的全流程自动化，ClawTeam的全栈闭环将原本需要人工干预的DevOps流程转化成了Agent群体的内部协作。如果说OpenClaw解决了“手”的问题，ClawTeam就是在试图解决“脑与神经网络”的问题吧 #ai##ai前沿速递##微博兴趣创作计划#

23. #华为折叠屏首发A2A智能体协作# 华为Mate X7智能体验再升级，小艺智能体首次商用A2A智能体协作，小艺也变得更聪明更智慧了，它不再是简单的语音助手，而是可以帮你完成多种指令的超级助手，一句话就能帮你轻松搞定多个任务，实现了智能体间的任务流转、数据互通，彻底解决了折叠屏多任务适配差、操作割裂的问题，华为Mate X7重新定义高端折叠屏的智能体验天花板

24. 华为Mate X7迎来智能体验大升级！#华为折叠屏首发A2A智能体协作#首次实现A2A智能体协作商用，小艺从此进阶为“超级助理”，不再是简单语音工具，而是能并行处理多任务的生活搭档。无论是值机、买菜还是理财，一句话，它就能串联多个应用，高效完成复杂指令。A2A功能正重新定义折叠屏体验，让手机成为全场景智慧生活的中枢。新一代小艺，已来！锁定华为Mate X7发布会，开启你的智能新方式。

25. 字节开源了一个叫 DeerFlow 2.0 的多 Agent 框架，刚发布就冲上了 GitHub Trending 第一，拿了 43k 星。简单来说，它做的事情是让 AI 像一个团队一样协作干活。你给它一句话，比如「帮我研究 AI 行业趋势，然后做一份 PPT」，它会自动把任务拆开，分配给不同的 Agent，并行执行，最后把成果汇总交付给你。整个过程不需要你一步步盯着，直接出结果。它能做到这些，靠的是底层几个关键设计：多 Agent 之间的协同机制，带记忆的上下文管理，沙箱环境里的安全执行，以及可扩展的技能体系。报告、PPT、网站、视频这些不同类型的产出，都可以通过挂载不同的技能模块来实现。核心能力总结起来就三点。第一，多 Agent 协作，一个 AI 相当于一个团队，不同角色各司其职。第二，技能可扩展，你可以根据需求给它加新能力，覆盖面很广。第三，完整的工作流执行，从接收任务到最终交付，中间不需要人工介入。这个框架的意义在于，它把 AI 从一个你需要反复对话、手动引导的助手，变成了一个你扔过去一个目标、它自己就能跑完全程的执行团队。开源项目地址：github.com/bytedance/deer-flow#科技先锋官##How I AI#

26. 读完Anthropic内部关于AI智能体评测的实践（Demystifying evals for AI agents）的几点想法。任何一个AI智能体开发团队，在产品规模扩大后，都可能面临一个共同的痛点：在没有有效评估（evals）体系的情况下，团队会陷入“蒙眼狂奔”的被动修复循环。问题只能在生产环境中被动发现，而“修复一个失败往往又会引发新的失败”。在这种混乱中，团队甚至“无法区分真正的功能衰退和偶然的噪音”。开发进度停滞，产品体验不升反降。1. 有时，“失败”的评测恰恰是巨大的成功过于僵化和静态的评测可能会扼杀模型的创造力，惩罚那些超越预设路径、寻找更优解决方案的“聪明”行为。比如：在一次解决关于预订航班的 𝜏2-bench 基准测试问题时，我们的 Opus 4.5 模型通过发现政策中的一个漏洞，为用户找到了一个比预期路径更好的订票方案。这导致它在评测的书面意义上“失败”了，因为它没有遵循预设的步骤。它在书面意义上“失败”了评测，但实际上为用户提出了一个更好的解决方案。因此，设计评估时必须奖励更优的结果，即便它偏离了预设的路径。我们需要为模型的创造性留出空间，避免因我们自己的想象力局限而错失了更好的解决方案。2. 评估结果，而非过程在评估AI智能体时，一个常见的本能是检查它是否遵循了我们预想的特定步骤。然而，我们的经验表明，这种方法过于死板，会产生非常“脆弱的测试”（brittle tests）。当模型以任何一种未被预见的有效方式偏离预设路径时，这种测试就会失效。更有效的方法是优先关注最终的产出（outcome），而非其达成目标的具体路径（path/transcript）。我们的经验表明：“评估智能体的产出，而非其执行路径，往往是更优选择”。这种方法的优势在于，它不会因为智能体找到了评估设计师未曾预料到的、但同样有效的创新方法，而错误地惩罚它，从而使评估体系更具鲁棒性和前瞻性。3. 评测不只是安全网，更是采用新技术的“加速器”许多团队将评测仅仅视为防止功能衰退（regression）的安全网。但这大大低估了其战略价值。一个健全的评测体系，实际上是团队采用新技术的“加速器”。想象一下，当一个更强大的新模型发布时，拥有健全评测体系的团队可以在几天内完成全面的评估、调整提示并完成升级。而那些没有评测体系的竞争对手，则可能需要花费数周时间进行手动测试，从而在技术迭代中落后。从这个角度看，评测是一种战略性投资，它能显著加快团队利用最新AI技术、保持竞争优势的速度。4. 别追求完美的单一防线，你需要的是“瑞士奶酪模型”在安全工程领域，“瑞士奶酪模型”（Swiss Cheese Model）是一个经典隐喻，它同样适用于理解AI智能体的综合性能。其核心思想是：没有任何单一的评估方法是完美的（每一层都有“孔洞”），但将多种不同方法结合起来，就可以形成一个强大的、层层设防的防御体系。这些评估层级对应着开发生命周期的不同阶段：自动化评测是开发中的第一道防线，而生产监控和A/B测试则提供了产品上线后的真实世界反馈。构成这个模型的不同层面包括：- 自动化评测 (Automated evals): 用于快速迭代和持续集成。- 生产监控 (Production monitoring): 用于揭示真实世界中的用户行为和问题。- A/B测试 (A/B testing): 用于衡量变更对真实用户结果的实际影响。- 用户反馈 (User feedback): 用于发现意料之外的问题。- 人工审查 (Manual transcript review): 用于建立对失败模式的直觉。- 系统性人类研究 (Systematic human studies): 作为校准模型评分器和评估主观任务的“黄金标准”。最有效的团队会将这些方法结合起来，形成一个全面的评估视野。总之，我们需要从被动修复到主动构建。对AI智能体的评测，绝非事后的附加工作，而是一种价值会不断累积的核心开发活动。它能将团队的工作模式从“被动救火”转变为“主动构建”，让团队用清晰的指标代替模糊的猜测，从而更有信心地朝着明确的目标前进。原文有非常详细的实践方法：www.anthropic.com/engineering/demystifying-evals-for-ai-agents#ai创造营# #程序员#

27. PRDBench：面向 PRD 的项目级 Code Agent 评测新基准

28. 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#

29. 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#

30. 未来人类社会或将出现百亿甚至千亿智能体，智能体经济是未来方向 #大咖观察 #2026AI看崇礼 #红衣聊AI #智能体

31. #华为折叠屏首发A2A智能体协作#华为Mate X7 真的杀疯了！直接把折叠屏的智能体验拉到新高度！它的A2A智能体协作太顶了，让小艺能联动各种APP里的助手一起干活儿——比如订机票、日程提醒无缝衔接等等，这才是真正的全场景智能啊！华为这次不只是自己秀技术，还拉着生态伙伴一起搞可进化、可联动的智能网络。无论从AI体验的突破性，还是从行业合作的示范性来看，华为Mate X7都再次引领折叠屏行业迈向智能体验新时代。别的厂商还在卷折痕和轻薄，华为已经开始用智能生态重新洗牌了！

32. Claude Code 迎来了它的超级进化形态。开发者 Yeachan Heo 为其打造了一个名为 oh-my-claudecode（简称 OMC）的多智能体编排层。这不仅仅是一个简单的插件，它将 Claude Code 从一个单兵作战的工具，直接提升为一个拥有 32 名专业代理、具备 5 种执行模式的自动化开发团队。最核心的突破在于：你不需要学习复杂的命令，也不需要额外的订阅。它在 Claude Code 的基础上，实现了 3 到 5 倍的输出效率提升，并能通过智能路由节省最高 50% 的 Token 成本。以下是 OMC 改变游戏规则的几个关键维度：1. 核心执行模式Autopilot：全自动执行模式。你只需描述任务，系统会自动完成从理解需求到编写代码的全过程。Ultrapilot：并行加速模式。针对多组件构建任务，它会同时启动多个代理并行工作，极大地缩短了等待时间。Team（原 Swarm）：这是目前推荐的编排方式。它模拟了真实开发团队的流水线：从规划（team-plan）到执行（team-exec），再到验证（team-verify）和修复（team-fix），形成闭环。Pipeline：顺序处理模式。适用于需要严格分阶段进行的复杂转换任务。Ecomode：成本优化模式。系统会自动进行模型路由，简单任务交给 Haiku 处理，复杂推理才动用 Opus，在不牺牲质量的前提下大幅削减开支。2. 真正解决痛点的功能Ralph 模式：这是区分玩具与专业工具的分水岭。Ralph 进入持久化执行状态，它不会因为遇到困难就停止，而是不断尝试并验证，直到任务被确认完全达成。自动恢复：AI 编程中最令人沮丧的莫过于触发速率限制。OMC 能够检测速率限制并在重置后自动恢复会话。这意味着你可以让它通宵工作，而不需要人工守在屏幕前重复启动。Deep-interview：在写代码之前，系统会通过苏格拉底式的提问来理清模糊的需求。这种前置的深度沟通，避免了在错误方向上浪费 Token。3. 深度思考与架构见解编排层是 AI 栈的未来。正如 Linux 成为容器化的基石，Claude Code 正在成为一个底层的运行时（Runtime），而像 OMC 这样的编排工具则是运行在其上的操作系统。AI 的效率提升不再仅仅依赖于模型参数的增加，而在于系统性的协作。OMC 内部集成的 32 个专业代理涵盖了架构、研究、测试和数据科学等领域。这种角色拆分解决了单代理容易丢失上下文或走捷径的问题。持久性是生产力的核心。很多 AI 工具在演示时效果惊人，但在处理长达数小时的真实任务时往往会因为各种原因中断。OMC 的静默持久化（Silent Persistence）能力，让 AI 真正具备了交付复杂工程的能力。GitHub：github.com/Yeachan-Heo/oh-my-claudecode如果你正在寻找一种方式让你的 Claude Code 从好用变成强大，OMC 可能是目前最值得尝试的开源方案。它证明了一个观点：我们不再仅仅是在改进单个智能体，而是在构建能够像团队一样思考和行动的系统。

33. Multi-Agent 小白入门：让你的Claude Code 提效 90.2% 这篇文章介绍了一种基于多智能体编排系统的方法，旨在通过让多个 AI 智能体分工协作，来提升 Claude Code 的工作效率。1. 详细阐述了单智能体的局限性，并提出了主管模式、流水线模式和并行模式三种核心管理架构，以解决上下文限制和专业化不足等问题。2. 作者还提供了一套实战指南，教读者如何创建由架构师、构建师、验证者和记录员组成的四人智能体团队，并利用共享文档实现任务同步。原文：x.com/0xYuker/status/2013094122656334136#HOW I AI# #程序员#

34. 今天 GitHub 的 Trending 被 Agent 类项目集体占领了，星标涨得最猛的五个项目全部跟 AI Agent 相关。逐个拆解一下。涨得最凶的是 NousResearch 的 hermes-agent，24 小时新增 8800 星。它要解决的是 Agent 领域一个老大难问题：没有记忆。传统 Agent 每次对话都是从零开始，上一轮聊过什么全忘了。hermes-agent 做了一套动态 patch 机制，让 Agent 能够持续积累对你的了解，用得越久越懂你的习惯和偏好。相当于给 Agent 装了一个可以自我进化的长期记忆系统。项目地址：http://t.cn/AXVpXePA 第二个是 TauricResearch 的 TradingAgents，24 小时新增 3900 星。思路很有意思，它用多个 Agent 模拟了一家完整的交易公司。有专门负责挖数据的研究员 Agent，有负责风控的 Agent，还有最终拍板的决策者 Agent。这些 Agent 之间会互相质疑、辩论，充分博弈之后才会下单。比起单个 Agent 拍脑袋做决策，这种多角色对抗的方式能有效降低冲动交易的风险。项目地址：http://t.cn/A6exS2vB 第三个是 SakanaAI 的 AI-Scientist-v2，24 小时新增 2000 星。这个项目更硬核，做的是全自动科研 Agent。基于 agentic tree search 驱动，能自己提出假设、设计实验、跑实验、分析结果，最后还能把论文写出来。一套流程走下来，一个 Agent 能顶一个小型实验室的产出。对科研效率的冲击是实实在在的。项目地址：http://t.cn/A6r9nT3h 第四个是微软官方出的 agent-framework，24 小时新增 1800 星。这是一个 Agent 编排框架，同时支持 Python 和 .NET，可以快速搭建和部署多 Agent 工作流。以前要实现类似的功能，很多人得靠 LangChain 加上一堆胶水代码硬拼，现在微软直接给了一套标准化的解决方案，从搭建到生产部署都覆盖了。项目地址：http://t.cn/AX7Y6Qr3 第五个是 Block 公司的 goose，24 小时新增 1500 星。它是一个开源的可扩展 AI Agent，定位比代码补全工具更进一步。它能自主完成安装依赖、执行脚本、编辑文件、运行测试这些完整的开发流程，基本上你给它一个任务描述，它自己跑完全程。项目地址：http://t.cn/A638oT2O 整体来看，这五个项目覆盖了 Agent 发展的几个关键方向：记忆与自我进化、多 Agent 协作与博弈、自动化科研、标准化编排框架、以及端到端的任务执行。Agent 正在从单点工具向系统化能力演进，这个趋势在今天的 GitHub 榜单上体现得非常明显。 #How I AI##科技先锋官#

35. 3天赚1200刀？纯聊天就能捏出个能搞钱的 AI Agent！【教程】

36. AI时代，最不值钱的，就是重复劳动；最值钱的，是你得熟练指挥智能体。#大咖观察 #红衣聊AI #硅谷 #智能体 #AI应用

37. OpenCode + Oh-my-opencode 的组合看着很强大！其核心理念是设立一个名为Sisyphus（西西弗斯）的主“编排者”或“工程经理”代理，它并不亲自编写所有代码，而是将任务智能地分派给一个由专业化子代理组成的团队。每个子代理都运行在最适合其任务的特定模型上。包括：1. Sisyphus (anthropic/claude-opus-4-5)：默认 Agent。 OpenCode 专属的强力 AI 编排器。指挥专业子 Agent 搞定复杂任务。主打后台任务委派和 Todo 驱动。用 Claude Opus 4.5 加上扩展思考（32k token 预算），智商拉满。2. oracle (openai/gpt-5.2)：架构师、代码审查员、战略家。GPT-5.2 的逻辑推理和深度分析能力不是盖的。3. librarian (opencode/glm-4.7-free)：多仓库分析、查文档、找示例。使用 GLM-4.7 Free 深入理解代码库，GitHub 调研，给出的答案都有据可查。4. explore (opencode/grok-code、google/gemini-3-flash 或 anthropic/claude-haiku-4-5)：极速代码库扫描、模式匹配。配置 Antigravity 认证时使用 Gemini 3 Flash，Claude max20 可用时使用 Haiku，否则用 Grok。5. frontend-ui-ux-engineer (google/gemini-3-pro-preview)：设计师出身的程序员。UI 做得那是真漂亮。Gemini 写这种创意美观的代码是一绝。6. document-writer (google/gemini-3-pro-preview)：技术写作专家。Gemini 文笔好，写出来的东西读着顺畅。7. multimodal-looker (google/gemini-3-flash)：视觉内容专家。PDF、图片、图表，看一眼就知道里头有啥。访问：github.com/code-yeongyu/oh-my-opencode/blob/dev/README.zh-cn.md#ai创造营# #程序员#

38. 什么是 AI 智能体？

39. 【Claude Code任务系统深度解析：从待办清单到依赖感知的智能编排】做过复杂项目的人都有这种体验：你让AI帮你重构代码，它干到第四步突然忘了第二步是前置条件，开始做依赖未完成任务的工作。上下文丢失，前功尽弃。扁平的待办清单已经不够用了。Claude Code最新推出的任务管理系统彻底改变了这个局面。它本质上是一个依赖感知的编排层，能理解任务之间的阻塞关系，跨会话持久化，还能将工作分配给并行代理。这套系统有四个核心能力值得关注：第一，完整的依赖管理。任务可以阻塞其他任务，Claude在前置任务完成前不会启动被阻塞的工作。比如任务3被任务1和2阻塞，那它就必须等1和2都完成才能开始。再也不会出现“忘了先配置数据库”这种低级错误。第二，真正有效的持久化。会话内，任务状态能在上下文压缩时存活；跨会话，设置环境变量CLAUDE_CODE_TASK_LIST_ID后，任务能在完全独立的对话间保持。第三，代理分配与并行执行。任务被分配给命名代理，多个工作者同时启动，它们读写同一个任务列表却不会冲突。第四，可视化进度追踪。终端里按ctrl+t就能看到所有任务状态：已完成、进行中、待处理、被阻塞，一目了然。系统提供四个核心工具：TaskCreate创建任务，TaskUpdate修改任务状态和依赖关系，TaskGet获取任务详情，TaskList查看全局。依赖管理是这套系统的精髓所在。当你给任务3添加addBlockedBy: [“1”,“2”]时，意味着任务3必须等任务1和2都完成才能启动。一旦任务3完成，被它阻塞的任务4和5会自动解锁，变为可执行状态。这个机制从根本上杜绝了“在前置条件未满足时就开始工作”的问题。任务以JSON文件形式存储在~/.claude/tasks/目录下，每个任务一个文件，包含主题、描述、状态、阻塞关系等信息。这意味着你可以备份、版本控制，甚至用外部工具读写这些文件。代理分配的工作流程很有意思：Claude先创建任务并分配owner字段，然后启动代理并告诉它“你是fact-checker，去TaskList找分配给你的任务然后完成它们”。代理会自己发现任务、标记进行中、执行工作、标记完成。Claude可以在一条消息里启动多个代理并行运行。代理有四种类型：通用型能读写编辑搜索执行命令；Bash型只能跑终端命令，适合git操作和测试；探索型只读不写，用于快速了解代码结构；规划型也是只读，专注于设计实现策略。不同类型对应不同的速度和安全级别。模型选择上，haiku适合简单任务，sonnet适合大多数编码工作，opus适合复杂推理。什么时候该用任务系统？三步以上的多步骤工作、有依赖关系的任务、可能跨会话的工作、复杂重构或功能开发、需要多代理协作的场景。简单的一次性问题或单文件编辑就没必要了。这套系统的价值在于：它把Claude从“有时会跑偏的聪明助手”变成了“能用结构化方式管理复杂工作的编排者”。你获得了可见性、依赖约束、持久化、并行能力和清晰的责任归属。结构化能力决定了你能处理多大规模的复杂性。这个道理对人如此，对AI同样如此。x.com/nummanali/status/2014684862985175205

40. 2025过去了！这一年你是不是也在为AI焦虑？老周用360一整年的实践，告诉你答案：不用怕，抓住Agent就赢了！从我自己敲代码做100多个智能体，到带领团队All in，这条AI布道之路，全是实战干货。 2026，你想和智能体一起搞定啥？评论区留言，老周帮你研究！#大咖观察#2026 #年度总结 #红衣聊AI #agent

41. MiniMax M2.7+OpenClaw实战！AI到底能接管多少工作？

42. 很多人让我比较AI和互联网谁的机会更大，别急，看完这条视频，咱们一起聊聊。#大咖观察 #红衣聊AI #智能体 #互联网

43. 阿里全家桶全面Agent化！千问“任务助理”全面公测，从此AI不再只是动嘴出主意的狗头军师！

44. AI原生电商出现，Agent帮你从建站到运营

45. AI Agents 速查表如果你正试图理解 AI Agent 的概念，这是一份不错的起点。目前关于 Agent 框架的讨论很多，但从核心来看，大多数框架都建立在同一组基本思想之上。这份速查表简单概述了从大型语言模型（LLM）到编排层（Orchestration）再到协议（Protocols）的关键构建模块。无论你是在探索 Agent 工具、构建内部自动化，还是单纯想更好地理解这个领域，它都很有用。什么是 AI Agent？1. Agent 结合了“推理能力”和“行动能力”。2. 它们不仅能回答问题，还能制定计划、调用工具、访问数据，并触发现实世界的操作。语言模型（Language Model）1. 它是核心的推理引擎，用来理解输入并生成计划或回应。2. 但仅靠它自身，无法在现实世界中执行行动。工具（Tools）1. Agent 用来完成有用任务的 API、函数或外部集成接口。2. 例如查询数据库、发送邮件或调用 Webhook。编排层（Orchestration Layer）1. 负责协调 Agent 的行为——包括其推理方式（如 CoT、ReAct 等）、步骤顺序以及与工具的交互。Agent 协议（Agentic Protocols）1. MCP、A2A 等协议让不同平台上的 Agent 能协作（如 Slack、GitHub），并在多个任务间保持上下文。构建 AI Agent1. 没有唯一的构建方式。2. 有的从一个 Prompt 起步，有的依赖低代码平台，还有团队构建完整的自定义框架3. 这份速查表展示了各种方式之间的取舍与权衡。如果你想理解 Agent 领域，或向团队解释它的原理，这份结构化的拆解会很有帮助。可以收藏下来，作为随时查阅的参考资料。#人工智能##程序员#

46. 【最新玩法】n8n工作流秒变MCP工具，直连各种MCP客户端，零代码实操！

47. 在智能体开发中，经常面临模型智能与多样工具、记忆和安全治理的整合难题。OpenHarness 是一个轻量级的开源 Agent Harness 框架，专为研究者和开发者设计，提供了完整的智能体基础设施。它不仅支持丰富的 43 种工具（文件、Shell、搜索、Web、任务管理等），还能动态加载 40+ 技能，支持插件生态扩展，还拥有细粒度多级权限治理和多智能体协作能力。核心特点包括：- 持续的 Agent 循环（流式工具调用，API 重试，代币计数等）- 丰富的工具和技能支持，结合 Anthropic 生态兼容性强- 持久化记忆、上下文压缩与会话续接- 多重权限管理，交互式审批保障安全- 多代理团队协作和任务委派- React 终端 UI，提供交互式命令选择和权限弹窗支持 Python 3.10+，提供一键命令行启动（`oh`），适合构建定制化智能体及多任务协作系统。GitHub：github.com/HKUDS/OpenHarness主要功能：- 43 种工具：文件操作、Shell 命令、网络搜索、任务管理等- 40+ 按需加载技能，涵盖代码提交、测试、安全审查等- 灵活插件系统，方便自定义命令、事件钩子和多智能体- 多级权限配置，确保执行安全- 多智能体协调，支持子智能体创建和团队管理- 交互式 React 终端UI，提升用户体验如果你想了解国产版 Claude 轻量实现，或是打造高效可扩展的智能体框架，OpenHarness 绝对值得一试！#开源智能体# #AgentHarness# #AI开发#

48. 无问芯穹首曝智能体服务平台，以基础设施加速企业级「智能体自由」

49. 如果说 OpenAI Codex CLI 是开发者手中的利剑，那么 Oh My Codex（OMX）就是一套完整的指挥系统。在 AI 编码工具日新月异的今天，我们正在见证一个关键的转变：从“与单个聊天机器人对话”转向“指挥一支自动化的 AI 专家团队”。由韩国开发者 Yeachan Heo 主导的开源项目 Oh My Codex，正是这一趋势的集大成者。它不是 Codex 的替代品，而是它的“类固醇”增强层。以下是对 OMX 核心价值与技术范式的深度拆解： 1. 智能体的“指挥部”：从对话到协作 OMX 的核心逻辑在于“编排”。它预设了 30 多个专业角色（如架构师、执行者、安全审计员）和 40 多项工作流技能。这意味着你不再是面对一个通用的模型，而是在调度一个拥有明确分工的工程团队。这种角色专精化（Specialization）是解决复杂工程问题的必经之路。 2. 标准化工作流：让偶然的成功变为必然的产出 OMX 提炼了一套极具启发性的“三部曲”工作流，将模糊的意图转化为确定的代码： - $deep-interview：意图优先的深度访谈，在动手前彻底澄清边界与非目标。 - $ralplan：将澄清后的需求转化为可执行的架构计划，并进行权衡审查。 - $team 或 $ralph：根据任务规模，选择多智能体并行执行（$team）或由单一负责人持续推动至完成（$ralph）。这种流程化的思维，将 AI 编码从“撞大运”变成了可预测的工程实践。 3. 团队工作树：解决并行开发的“熵增” 在多智能体协作中，最头疼的是代码冲突。OMX 引入了“团队工作树（Team Worktrees）”机制：每个 AI 协作成员都会获得一个隔离的 Git 工作树，在独立的脱离分支上运行。OMX 会自动进行增量合并跟踪和冲突检测。这种设计让 AI 能够像真正的开发团队一样并行工作，而不会把主分支搞得一团糟。 4. 持久化状态：赋予 AI “长期记忆” OMX 在项目根目录下维护一个 .omx/ 文件夹，用于存储所有的计划、日志、内存和运行时状态。这解决了大模型“随聊随忘”的痛点。无论会话如何中断，你的 AI 团队始终记得之前的决策逻辑和技术债。这种持久化的上下文，是实现复杂重构和长期维护的关键。 5. 深度洞察：效率的本质是编排的精密程度正如 OMX 的口号所言：“你的 Codex 并不孤单。” 未来的软件开发，竞争的将不再是写代码的速度，而是管理 AI 算力的精度。OMX 通过 --madmax 和 --high 等模式，允许开发者根据任务难度调节推理强度和并发度。这实际上是将“计算成本”与“任务复杂度”进行了精细化的匹配。总结： AI 并不只是在学习写代码，它正在学习如何像一个团队一样思考。真正的效率提升，不在于生成速度的快慢，而在于需求澄清与执行编排之间的逻辑严密性。项目地址： github.com/Yeachan-Heo/oh-my-codex 官方文档： yeachan-heo.github.io/oh-my-codex-website/

50. AI智能体之所以强大，核心在于它们的“记忆系统”。没有记忆，智能体只能盲目行动，无法学习和适应。记忆让它们能够跨时推理、优化决策，真正实现智能。短期记忆（工作记忆）负责暂时存储任务相关信息，帮助智能体追踪当前用户问题、对话上下文和任务中间步骤，从而做出连贯且有针对性的回应。长期记忆则保存跨任务的知识与经验，积累事实和规律，使智能体随着时间变得更高效、更准确。情景记忆像人类的经历记录，存储状态、行为、结果和奖励，助力强化学习中识别哪些行为带来成功或失败。语义记忆包含结构化的世界知识——概念、规则、语言和领域信息，支持智能体推理和理解新信息。检索机制根据上下文、关键词或相似度精准调用所需记忆，避免信息混乱和过时。记忆还支持多步规划，智能体能记住子目标、进展和障碍，提升长远策略，而非仅解决眼前问题。多任务环境中，智能体为每个任务维护独立记忆，防止任务混淆，提升切换效率，并跟踪用户偏好。强化学习中的经验回放机制，通过反复利用历史经验，稳定训练过程，避免重复错误。记忆系统是动态演进的，智能体通过反馈、奖励和新交互不断更新，持续优化表现。记忆不仅是AI智能体的“知识库”，更是其“成长引擎”。理解短期、长期、情景和语义记忆的区别与协作，是构建高效智能体的关键。未来，记忆与检索机制的进步，将推动AI从“会思考”向“会记忆、会学习、会进化”迈进。原文：x.com/e_opore/status/1994331859661000712

51. 手把手彻底学会 Agent Skills！【小白教程】

52. 大模型更像人的大脑，智能体是大模型的手和脚。 #大咖观察 #红衣聊AI #智能体 #大模型

53. 刚开始接触 Claude Code 的朋友，强烈推荐你去看一个项目，叫 learn-claude-code。这个课程教的不是怎么用 Claude Code，而是带你从零实现一个类似 Claude Code 的 AI 编码 Agent。整个项目分成 12 节课，每节只加一个机制，代码从几十行慢慢长到完整版，每节都有独立可运行的 Python 文件，学起来非常丝滑。简单列一下课程脉络：前三节打基础。先搭一个最简单的 Agent Loop 加一个 Bash Tool，能跑起来就行。然后加上 Tool 的注册和调度机制，再让 Agent 学会先做计划再动手。中间几节加能力。子 Agent 拆分大任务，Skills 动态加载，上下文压缩，任务持久化加依赖图，后台异步执行。每一节都是在前一节的基础上叠加一层，逻辑很清晰。最后三节搞协作。多 Agent 组队，定义团队沟通协议，让 Agent 自主认领任务，最后用工作树做完全隔离，互不干扰。课程结尾还有一个 s_full.py，把 12 节课的所有功能合在一起，就是一个完整的 AI 编码 Agent。学完这个项目，你对 Claude Code 底层在干什么就彻底通透了。知其然也知其所以然，用起来完全是另一个境界。仓库地址：github.com/shareAI-lab/learn-claude-code在线学习平台：learn.shareai.run（建议先打开这个看可视化，体验非常好）中文 README：github.com/shareAI-lab/learn-claude-code/blob/main/README-zh.md#How I AI##科技先锋官#

54. 实测用TRAE Skills接管工作流，打工人的自动化神器 #AI #AI编程 #TRAE #SOLO #Skills

55. Deep Agents：LangChain开源的Agent框架，开箱即用的LLM应用方案。核心思想：给你一个开箱即用的Agent，需要定制再加工。Deep Agents基于LangGraph构建，内置了单Agent应用的标配能力：任务规划、文件系统访问、Shell执行、子Agent委托、自动上下文管理。会话长了自动总结，大输出存文件，子Agent有隔离的上下文窗口。启动简单，支持任何能调工具的LLM（OpenAI、Claude、开源模型都行）。需要时加工具、换模型、调提示词。支持MCP。对比其他框架：1.LangGraph：底层编排框架，基于图和状态机。完全可控，支持流式、持久化、断点恢复。缺点是学习曲线陡，小任务过度设计。2. CrewAI：多Agent协作框架，建在LangChain和LangGraph之上。提供Agent、Task、Crew等高级抽象，快速定义多Agent分工。优点是上手快，缺点是多Agent固定模式，非标准行为定制困难。3. AutoGen（Microsoft）：事件驱动，支持conversation-based Agent交互和group chat。v0.4引入强可观测性和异步模型。适合多Agent对话，不适合需要持久化和复杂状态的应用。4. Deep Agents的位置：单Agent框架，高于简单的ReAct（思维链+工具调用），低于多Agent系统。填补了这个缝隙：需要快速上手，但又要求工业级的规划、文件访问、子Agent能力。技术特点：1. Deep Agents采用trust-the-LLM模型——Agent可以做工具允许的任何事，安全边界由工具和沙箱保证。这套思路来自Claude Code，也就是LangChain在把Claude Code的经验系统化。2. 上下文管理做得细致：会话自动总结、大输出转文件、子Agent隔离上下文窗口。处理长期运行任务（爬虫、研究、报告生成）时能显著降低token消耗。应用场景1. 快速原型或一次性脚本 → Deep Agents足够2. 复杂单Agent任务（爬虫、研究、代码生成） → Deep Agents很合适3. 多Agent协作 → CrewAI更顺手4. 需要完全自定义Agent行为 → LangGraph完全控制5. 对话式多Agent互动 → AutoGen更原生项目：github.com/langchain-ai/deepagents#HOW I AI# #程序员#

56. 今天我们开源了一个新的AI Agent项目。Wegent：一个能够定义、编排和执行Agent团队的开源系统。和其它Agent开发系统的区别是，Wegent底层使用声明式方式构建和编排 AI Agent，这就意味着部署智能体就像是在K8S里部署负载一样，可以实现基于yaml直接定义部署Agent服务。同时，Wegent的底层定义中区分了智能体的“Ghost（提示词）”和“Shell（执行器）”的概念。例如，你既可以把Claude Code作为智能体的“壳”实现远程编码Agent系统，也可以基于Agno的“壳”来实现DeepResearch系统。在开源项目里也增加了配套的前端服务，可以直接在网页中构建新的Agent团队。项目地址：github.com/wecode-ai/Wegent（附件是用Wegent实现的网页版Claude Code的效果）

57. 《从零开始构建智能体》从基础理论到实际应用，全面掌握智能体系统的设计与实现在线阅读： datawhalechina.github.io/hello-agents/Hello-Agents 是 Datawhale 社区的系统性智能体学习教程。如今 Agent 构建主要分为两派，一派是 Dify，Coze，n8n 这类软件工程类 Agent，其本质是流程驱动的软件开发，LLM 作为数据处理的后端；另一派则是 AI 原生的 Agent，即真正以 AI 驱动的 Agent。本教程旨在带领大家深入理解并构建后者——真正的 AI Native Agent。教程将带领你穿透框架表象，从智能体的核心原理出发，深入其核心架构，理解其经典范式，并最终亲手构建起属于自己的多智能体应用。我们相信，最好的学习方式就是动手实践。希望这本教程能成为你探索智能体世界的起点，能够从一名大语言模型的"使用者"，蜕变为一名智能体系统的"构建者"。✨ 你将收获什么？ 📖 Datawhale 开源免费完全免费学习本项目所有内容，与社区共同成长 🔍 理解核心原理深入理解智能体的概念、历史与经典范式 🏗️ 亲手实现掌握热门低代码平台和智能体代码框架的使用 🛠️ 自研框架HelloAgents 基于 Openai 原生 API 从零构建一个自己的智能体框架 ⚙️ 掌握高级技能一步步实现上下文工程、Memory、协议、评估等系统性技术 🤝 模型训练掌握 Agentic RL，从 SFT 到 GRPO 的全流程实战训练 LLM 🚀 驱动真实案例实战开发智能旅行助手、赛博小镇等综合项目 📖 求职面试学习智能体求职相关面试问题#科技先锋官#

58. 一个简单的教学项目nanoAgent：用最简单的方式构建一个能与系统交互的智能体。地址： github.com/sanbuphy/nanoAgent这是一个使用 OpenAI 函数调用的最小化 AI 智能体实现。智能体可以执行 bash 命令、读取文件和写入文件。智能体使用 OpenAI 的函数调用来：----接收用户的任务----决定使用哪些工具（bash、read_file、write_file）----执行工具----将结果返回给模型----重复直到任务完成就这样。约 100 行代码。#HOW I AI#

59. 2025年被称为“智能体（Agent）元年”，各行业、各领域应用AI技术，主要体现为研发各种基于Agent的智能体应用。2026年，预计会迎来“智能体应用”的井喷，并且会从单智能体全面转向多智能体应用，多个智能体相互连接和协作，将越来越多的工作和任务自动化和智能化。对于普通人来说，在2026年，你会看到，越来越多的人类工作由AI接管，AI取代人干活的步伐在加快。

60. Anthropic最新发布的Claude Developer Platform功能，开启了AI代理工具使用的新纪元。未来的AI代理将无缝调用数百甚至数千种工具，像IDE助手整合Git操作、文件管理、测试框架，或运维协调连接Slack、GitHub、Jira等多个系统。他们面临的最大挑战是：如何避免因预加载海量工具定义而导致的上下文爆炸？传统方式可能消耗十万以上tokens，严重影响模型性能。Anthropic提出“工具按需发现”策略——Tool Search Tool，让Claude只加载当前任务真正需要的工具，节省85%上下文空间，大幅提升准确率和响应速度。另一方面，传统自然语言调用工具方式带来的上下文污染和多次推理开销，也被Programmatic Tool Calling（编程式工具调用）彻底革新。Claude通过生成Python代码来批量调用、处理工具数据，只把最终结果放入上下文，极大节省token消耗（约降37%），降低延迟，并提高了复杂流程的执行准确度。此外，JSON Schema虽能定义参数结构，却难以表达正确用法和参数间的关联。Anthropic引入Tool Use Examples，允许开发者通过示例明确工具调用规范，显著提升复杂参数场景下的调用准确率（测试中从72%提升到90%）。这三项功能——工具搜索、编程调用、用例示范——协同解决了大规模多工具场景下的发现效率、执行效率和调用准确度问题。它们不仅适合构建跨多个服务的大型系统，也为开发者提供了灵活、高效的工具管理和调用新范式。开发者可根据应用场景分层使用，先从最大瓶颈入手： - 上下文爆炸优先用Tool Search Tool - 中间数据过多用Programmatic Tool Calling - 参数复杂易错用Tool Use Examples Anthropic的实践证明，这样的设计大幅提升了AI代理的实用性和稳定性，推动智能代理从简单调用迈向智能编排。期待更多创新应用在Claude平台上诞生。原文详见 anthopic.com/engineering/advanced-tool-use—— 这项技术展示了AI工具集成的未来方向：动态发现、代码驱动执行和示范引导，三者合力打造高效、精准、可扩展的智能代理生态。对希望打造复杂多工具AI系统的开发者来说，Anthropic的方案无疑提供了宝贵的参考和实践路径。

61. 给建议的AI看够了？MiniMax Agent 让AI直接住进你的电脑干活#AI新星计划#科技改变生活#MiniMAX#Agent#minimaxagent

62. 吴恩达DeepLearning AI 新课程：Design, Develop, and Deploy Multi-Agent Systems with CrewAI可以浏览器装一个沉浸式翻译插件，实时英文字幕转中文。主要介绍了如何设计、开发与部署多智能体（multi-agent）系统，重点在于掌握代理式 AI 工作流（agentic AI workflows）的思维方式与工程方法。将学会如何把复杂任务分解成由多个专门智能体协作完成的子任务，从而高效构建复杂的 AI 应用。1. 掌握构建多智能体系统的基本概念：agent、task、crew、flow、state 等。2. 理解智能体的核心组成：记忆（memory）、工具（tools）、模型上下文协议（MCP）、执行钩子（execution hooks）与防护机制（guardrails）。3. 学会通过 CrewAI 框架将这些要素组合，构建具有可观测性、可控性与可扩展性的系统。4. 了解如何通过指标（metrics）与人类反馈（human feedback）对智能体进行评估与持续改进。访问：learn.deeplearning.ai/courses/design-develop-and-deploy-multi-agent-systems-with-crewai

63. 华为乾崑 All in 启境，让“奔跑的AI智能体”走进日常生活，引领未来出行进入主动智能时代 #启境 #华为乾崑 #奔跑的AI智能体

64. Learn Claude Code 是真做的好，强烈推荐👍 教程地址：网页链接项目地址：github.com/shareAI-lab/learn-claude-code很多人用 Claude Code 或 Cursor 写代码，觉得 AI 编程助手很神奇，但如果问一句"它到底是怎么工作的"，大部分人答不上来。Learn Claude Code 这个开源项目做的事情很简单：用 12 节课，从零开始搭一个类似 Claude Code 的 AI Agent，每节课只加一个机制，每个机制都有可运行的 Python 代码。这个项目的核心洞察是：所有 AI 编程 Agent 的底层都是同一个循环。用户发消息给模型，模型决定要不要调用工具，调用了就执行，把结果喂回去，继续循环，直到模型觉得任务完成了。整个 Agent 的最小实现不到 30 行代码。剩下的一切，规划、子任务拆分、上下文压缩、多 Agent 协作、工作目录隔离，都是在这个循环上面一层一层叠加的。12 节课就是这 12 层。学习路径设计得很讲究。前两节搞定核心循环和工具调用第三节加入计划能力（没有计划的 Agent 会跑偏）第四到六节处理子 Agent、技能加载和上下文压缩（上下文窗口是有限的，不压缩大项目根本跑不动）第七八节做任务持久化和后台执行，最后四节进入多 Agent 协作：组队、通信协议、自主领取任务、工作目录隔离。从一个人干活，到一个团队协作，复杂度是渐进的。项目配了一个交互式 Web 平台（learn-claude-agents.vercel.app），有步骤图解、源码查看器和文档，支持英文、中文、日文三种语言。文档风格是"心智模型优先"：先讲问题是什么，再讲解决方案，配 ASCII 图，最后是最小可运行代码。对想搞懂 AI Agent 内部原理的开发者来说，这可能是目前最好的从零到一的学习路径。不需要什么前置知识，有 Python 基础就能跟。学完之后再去看 Claude Code 或者任何 Agent 框架的源码，会发现都和这个教程介绍的差不多。

65. 2分钟南极AI短片卖100万？怎么做的? 硬核拆解最强AI视频工作流

66. #华为折叠屏首发A2A智能体协作#华为Mate X7这次真的把智能交互玩出了新高度。看完发布会最让人印象深刻的是A2A智能体协作功能，小艺现在能直接和其他应用的智能体“对话”了。比如简单说一句“选个能看到日落的航班座位”，它就能自动调用深圳航空的智能体完成选座，完全省去了手动操作各个应用的麻烦。这种跨应用的无缝协作，确实解决了之前需要反复切换应用的痛点。目前这个功能已经覆盖了航旅、财经、音频、生活服务等多个领域，这种智能体之间的协同协作，很可能成为折叠屏设备体验的新标杆。随着更多应用接入，未来的智能交互体验确实很值得期待！

67. TRAE中国版白送SOLO，一人指挥一支AI大军重磅消息！SOLO终于上线TRAE中国版了，Waitlist免费开放中本期视频实测TRAE的新版本，亮点很多 1、先规划再动手的 Plan 模式 2、带专家团一起干活的 Subagent 子智能体 3、DiffView 差异视图 4、多任务并行 5、上下文智能压缩长时运行不掉链子 SOLO终于把AI从“瞎干活的外包”变成了“懂协作的队友” #AI #人工智能 #TRAE #AI编程 #vibecoding

68. AI智能体也卷起来了？又懂业务又不用搭工作流…

69. 快抄作业！我用JoyAgent搞了个AI团队 2025年都快结束了，Agent是不是还没用上？我找到了打工人用上智能体的最简单方法，就是用JoyAgent把每天重复的SOP全做成Agent，不懂代码也能零门槛搭建，而且效果很稳定。看着AI团队全自动打工、出活，非常解压。 #AI #智能体 #JoyAgent #JoyCode #京东云

70. 半夜，小米大模型团队发布第二个大模型：Xiaomi MiMo-V2-Pro，实现小米大模型从最初的Flash到Pro到Omni不同量级不同功能全覆盖“Xiaomi MiMo-V2-Pro 专为现实世界中高强度的 Agent 工作场景而打造。它拥有超过 1T 的总参数量（42B 激活参数），采用创新的混合注意力架构，并支持 1M 超长上下文长度。”“在强大的模型基座上，我们在更为广泛的 Agent 场景中持续 Scaling 算力，进一步拓展了智能的动作空间，实现了从 Coding 到 Claw 的重要泛化。在全球权威大模型综合智能排行榜 Artificial Analysis 上，MiMo-V2-Pro 位列全球第八，国内第二。”“在 OpenClaw、Claude Code 等智能体框架中，MiMo-V2-Pro 展现出了优秀的端到端任务完成能力，能够在无人工干预的条件下完成复杂工作流编排、长程规划与精准工具调用，并持续可靠地交付最终结果。整体使用体感已超越 Claude Sonnet 4.6，逼近 Opus 4.6，但模型 API 定价仅为其 1/5，降低了前沿智能的使用门槛。”

71. 别把AI的“效率”当成唯一目标，安全永远是底线。 #大咖观察 #红衣聊AI #智能体 #网络安全

72. 2026年智能体将会迎来快速增长期，会成各个企业的重点的投资和发展对象。国内将加速推动 “人工智能 +” 等重点领域的应用场景培育；旧金山的 Halper AI 正式成立，专注于简化 AI 部署流程，帮助面临资源和技术门槛的中小企业实现 AI 数字化转型；2025 首尔人工智能峰会，全球 70 余家企业顶级科技企业探共同探讨讨智能体在多领域的渗透。国内预计 2028 年企业软件中整合自主型 AI 的比例将从 2024 年的不足 1% 飙升至 33%，15% 的日常工作决策将由智能体自主完成。政策扶持将加速智能体在制造、医疗、金融等领域的渗透，形成通用智能体平台加行业专用解决方案的产业格局。#AI生活指南##AI创造营##一分钟视频创作季# 种斌Marco的微博视频

73. 【#华为折叠屏首发A2A智能体协作#】华为MateX7重磅实现A2A（AgenttoAgent）智能体协作商用，标志着折叠屏在系统层面完成革命性进化。首次亮相的A2A小艺智能体，打破传统应用“孤岛困境”，凭借强大的跨应用调度与协作能力，可联动多款APP智能体自主拆解任务、协同响应指令，让“一句话搞定复杂需求”成为现实。

74. LangChain官方推出的LangGraph入门课程↓LangGraph Essentials (Python & TypeScript)内容包括：- 创建简单的工作流程并构建智能体- 使用 LangGraph 的核心构建块：状态、节点和边- 为您的智能体添加内存- 加入人机交互访问：academy.langchain.com/collections/quickstart#ai创造营##程序员# 黄建同学的微博视频

75. 让 AI 好好干活儿，把事情做好，一句话扔给它显然是不够的。一句话来，一句话去，会让 AI 陷入到细节。陪伴式地结对编程，对人的消耗也特别大。最高效的方式是，将任务分成两个阶段，第一阶段打磨框架，第二阶段做精细化调优。前者需要人类想清楚事情的目标，以及产品服务的供给方式，给 AI 做好任务规划，让它可以大把大把吃 token；后者需要对 AI 执行结果做编排和重构，更多是为了对齐人类目标和 AI 理解之间的偏差。因此，对 AI 的管理，需要两块能力，一是需求管理能力，包含了对需求的分门别类、需求的拆解和细化、需求的优先级打标管理等，这是传统 PM/TL/PD 常干的事儿；二是让 AI 并行工作的能力，这会涉及到 AI 之间的合作与协同，AI 之间需要分派指令、执行任务、回馈结果，也需要经常性地解决冲突。当每个人都配备多个 AI Agent 的时候，如何管理 AI 会是一门新的学问，德鲁克老爷子提出的很多思想，在 AI 时代又需要进化啦😄

76. ai agent的架构好像都差不多啊?有啥比较特别的吗？

77. 让AI智能体拥有像人类的持久记忆：基于LangGraph的长短期记忆管理实践指南网页链接如何让AI智能体（Agent）像人类一样拥有持久的记忆，从而在复杂的连续任务中保持上下文感知和深度理解？这已成为构建高级智能体的核心挑战。本文将深入探讨Agent Memory的核心概念，并聚焦于LangGraph框架下的长短期记忆实现，详解短期会话与长期知识的存储、管理、语义检索等技巧。更进一步地，我们将通过一个引入MCP协议的实战案例，手把手带你构建一个真实的融合长记忆机制的Multi-Agent系统，直观展示中断、记忆与协作的融合。

78. 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

79. 「Github一周热点93期」多智能体舆情分析、桌面 AI 助手、自然语言画图、Rust桌面组件库、Linux服务器安全和GitHub绿墙

80. AI工作流已死？Agentic 时代，n8n这类工具还有学的必要吗？

81. 回复@畅想_2049:严格来说：Agents.md/Claude.md可以做工作流，也可以做其他事；常用工作流可以放到 Agents md，不是必选，也可以专门的skill做工作流//@畅想_2049:才知道 agent.md 是用来做工作流的，之前都是把所有的活都写到 skill ，让他受累了[允悲]//@宝玉xp:回复@dopaminebill:看最右分享的链接：http://t.cn/AXfdjsRJ //@dopaminebill:宝玉老师，您在Gemini gem里设置的YouTube文字稿提示词方便分享吗[作揖][作揖]

82. 工作流引擎哪家好？

83. 「Github一周热点97期」开源AI手机、AI画架构图、AI编程的指导、看板工具、GO语言的游戏引擎和具身智能资料库

84. 从自动写代码到智能影音刮削：实测 OpenCode，这台“赛博管家”真的能干苦力活

85. #荣耀智能体基础模型MagicAgent今日正式全球开源# 荣耀智能体基础模型MagicAgent今日正式全球开源，它可是YOYO智能体的“大脑”，专注任务规划与执行编排，也是行业首个支持全场景泛化规划和异构任务编排的基础模型。荣耀 AI 团队联合复旦大学研究团队，深度优化最关键的「规划（Planning）」能力，使MagicAgent在五大场景、六大核心性能测试中全面领先GPT‑5.2。 #MagicOS月月新##万事找YOYO##荣耀magicos##科技数码##数码资讯##数码闲聊站[超话]#

86. 「Github一周热点94期」开源AI渗透测试智能体、模块化智能镜子、开源AI Coding、多平台热点聚合、IPTV 频道集合和开源游戏合集

87. 探访云栖（一）：揭秘AI“底座”，谁在为算力搭建“水电气”？

88. 「Github一周热点99期」提升ClaudeCode效率10倍的工具？

89. 对话云栖大会：下一个AI爆款、大模型进化与Agent万亿级企业市场

90. #华为折叠屏首发A2A智能体协作#华为Mate X7智能体验迎来里程碑式升级，首次商用A2A智能体协作，小艺不再是简单的语音助手，而是能并行处理多个任务的“超级助理”，从“值机”到“买菜”甚至“理财”，一句指令，它就能为你搞定。随着越来越多的合作伙伴加入，小艺和TA的朋友们将持续为消费者提供更丰富，更个性的A2A智能体服务。

91. #华为折叠屏首发A2A智能体协作# 华为Mate X7率先实现A2A智能体协作商用，小艺智能体能力从单点响应升级为多智能体协同。无需切换应用，一句指令即可串联专业智能体：工作中，邮件、日程、文档智能体联动处理办公事务；生活里，出行、支付、家居智能体完成全流程服务。Mate X7打破应用生态壁垒，成为全场景智能中枢，也为折叠屏行业划定智能交互新方向。关注新品发布会，解锁全新体验。

92. 刚刚，英伟达革了自己的命：智能体自主进化7天，干掉所有算子工程师、GPU专家

93. AI 智能体自主进化

94. 智能体劳动力

95. 大型企业ai应用开发

96. openJiuwen 多智能体实践指南（一）

97. AI Agent编排模式

98. 拒绝传统 Router“瞎指挥”，多智能体如何实现智能任务分配？

99. AI Agent 智能体编排模式

100. 多智能体系统的核心设计

101. 多智能体系统的三种编排模式

102. Claude最新论文原文:构建多智能体系统

103. AI算法大模型面试 | 多agent怎么协作

104. 别再只会 Tool Calling

105. 解锁智能流程编排的新范式

106. 别再乱写Agent代码了，这8个顶级编排框架才是AI开发必备工具

107. Agent与Agent如何协作（连载1

108. AI考古

109. 多Agent协作（Multi-Agent Systems）

110. 同时指挥5个AI写代码！三个开源项目同日爆发，“多Agent编排”正在重新定义AI编程？！

111. 智能体工作流

112. 生产级 Agent 编排从单一 LLM 调用到多智能体工作流的工程设计

113. 一文讲清

114. 智能体来了从 0 到 1

115. AI Agent（智能体）构建指南

116. 别再混淆！大模型、工作流、智能体

117. 智能体其实就是任务编排调度的过程，即运行环境+任务编排调度+组件的架构

118. AI 模型是能力，编排是生产力

119. 打造企业级 AI Agent

120. 什么是 AutoGen？

121. 55.8k Star！微软 AutoGen

122. LangGraph 实战指南

123. LangGraph 8. 多智能体协作 Multi-Agent

124. 多智能体协作、复杂代码编写利器

125. 终于有人讲清楚LangChain和LangGraph的关系

126. AI智能体，第16章协作模式

127. LangGraph智能体开发设计模式（三）——LangGraph多智能体设计模式

128. 为什么说多智能体是AI的下一个主战场？

129. AI Agent全方位学习第十章

130. AI agents基础课2

131. 8个智能体框架，竞品对比

132. 【智能体】如何选择适合的开源智能体框架平台

133. Claude Code - 03

134. 别再往一个智能体里塞功能

135. 具主动拆解任务、调用工具、规划执行路径的Ai智能体

136. 2026企业AI选型

137. 别再往一个智能体里塞功能了

138. 实测5款智能体编程工具，才发现差距在“编排”而非“工具”

139. 想自己搭建AI智能体？这个开源框架帮你省半年功夫

140. AI 智能体本地化部署

141. AI智能体开发框架及特点

142. 阿里再放大招！Java 开发者专属智能体框架正式开源

143. OpenClaw智能体框架

144. AI智能体的开发框架

145. 《智能体设计模式》读书翻译笔记——附录C 智能体框架速览

146. PraisonAI开源多智能体框架

147. 智能体框架对比

148. 成本差32倍、成功率差28%

149. AI智能体核心架构：Agent、Skills、MCP，AI“自主干活”了

150. 用LangGraph与LangFuse打造工业级多智能体系统：智能工厂运维实战指南

151. 多智能体系统实战：从架构拆解到工程挑战，超越单体的复杂任务引擎

152. ‘智能体AI’、‘自主AI’

153. 用LangGraph和LangFuse构建工业级多智能体（Multi-Agent）系统实战（附源码）

154. 智能体来了（西南总部）：AI Agent指挥官与AI调度官任务编排逻辑

155. AI智能体：从“工具”到“大脑”，你的AI助手正在升级！

156. 智能体（Agent）和AI工作流详细区别?

157. 通用智能体为何无法“通用”？智能体编排架构在企业中的关键作用

158. 当 AI 智能体学会"自我进化"：CORAL 如何让多智能体系统自主探索未知

159. AI Agent.1：入门及示例（Coze）

160. LangGraph、Autogen、Crewai，这三个多智能体框架的区别是什么？

161. AI Agent开发记录

162. ADK 多智能体编排：SequentialAgent、ParallelAgent 与 LoopAgent 解析

163. 一篇就够！三种主流AI Agent核心区别全解析，新手也能轻松入门

164. OpenClaw多Agent协作开发与配置让龙虾帮我写了一个简单的教学，更多的内容直接问龙虾就行了

165. 三大主流多智能体框架深度对比：LangGraph、Autogen与CrewAI如何选择？

166. TaskingAI：模块化多Agent任务编排框架深度解析

167. AutoGen框架入门:5个核心概念搭建智能体协作系统

168. 多智能体编排太繁琐？MASFactory用Vibe Graphing直接「话」出来了

169. LLM之Agent（四十四）｜使用 GRPO 算法训练多智能体系统用于复杂任务规划

170. 哪些平台工具可以搭建AI智能体？

171. LangGraph 23. 生产环境下智能体如何节约成本：多智能体拆分、提示缓存与查询路由

172. 大模型应用的“大脑层”：Agent 与任务编排如何决定系统上限

173. 自己手搓的智能体框架超越langgraph和龙虾

174. Google ADK 的三种编排模式，把多智能体系统玩明白了

175. 如何解决LLM-Agent的长程规划失败问题

176. 2025年智能体开发总结：从单兵作战到多智能体协作的跨越

177. AI多智能体怎么“组队干活”？看这篇就够

178. 新书预告《LangGraph智能体设计模式与多智能体开发》

179. 2026年程序员如何成为AI编排者？掌握这4个多智能体协同实战技巧

180. 开源项目分享:LangGraph 多智能体集群

181. 大模型-智能体-【篇二：多智能体框架】

182. 工业AI智能体技术框架与八个场景应用指南

183. AI智能体工作流编排实战：从0到1搭好可落地流程

184. 2026年AI Agent深度评测：5款主流智能体平台实测对比，谁才是真正的效率利器？

185. CC Workflow Studio - AI 智能体可视化工作流编辑器

186. 多智能体协作工作流综述

187. OpenAgents vs CrewAI vs LangGraph vs AutoGen，开源框架哪家强？

188. OpenPencil v0.2.0:不馋Claude Code,设计师的Agent Team来了！

189. ruflo：领先的 Claude 智能体编排平台

190. AI智能体（Agent）：从工具到自主决策伙伴（2026-2030核心趋势）

191. 开源智能体开发框架对比分析

192. AI 智能体完全指南：概念解析与框架选型

193. 工作流与智能体：重塑现代工作效能

194. 大家所说的智能体（Agent）和工作流是什么？

195. 当浏览器具备任务编排能力：你的浏览器，正在变成真正的工作台

196. AI+生态中智能体与非智能体的协同也很重要

扫一下，分享更方便，购买更轻松

0评论

当前文章无评论，是时候发表评论了

提示信息

取消

确认

评论举报

垃圾广告！低俗色情！人身攻击！疑似水军评论！其他有害！