多智能体协作不是万能药，任务可分解性才是关键_服务软件

1. 刚刚，阿里ATH事业群甩出王炸「悟空」！企业级正规军下场，龙虾们这次真要炸了

2. AI Agent 很火，但 Agent Infra 准备好了吗？

3. #为什么AI大厂开始卖Token#3月17日，在钉钉2.0AI年度新品发布会上，钉钉创始人、CEO陈航（无招）重磅发布全球首个企业级AI原生工作平台——“悟空”，让每一家企业、每一个团队都能轻松拥有一个24小时工作的“龙虾军团”。发布会上，无招表示当前钉钉用户数已经突破8亿，钉钉软件付费企业数达到30万，服务企业数超2000多万，即日起悟空开启邀测，并将直接内置到超2000万企业组织的钉钉之中。目前，市面上大多数AI Agent还只是个人轻量级的智能体，尽管它可以帮你整理资料、撰写文案，但在企业的实际业务中，受限于个人设备与账号，并不涉及企业组织权限，没有企业级的安全管控能力。悟空就不一样了！它是阿里专门为企业设计的，简单来说它自带企业级安全环境，AI 会自动跟着公司的权限走，你能看什么、能改什么，AI 就只能干什么，不会越权；所有操作都在安全笼子里跑，不怕数据泄露、不怕乱操作；用了多少算力、花了多少钱，清清楚楚、明明白白；企业管 AI 成本，就像管预算、管报销一样简单。未来，悟空还将接入如微信、Slack等全球主流聊天工具，用户通过手机或电脑就能远程召唤悟空干活。此外，阿里巴巴旗下的淘宝、1688、支付宝、阿里云等ToB业务的Skill也将逐步接入悟空。近年来，“一人公司”不断兴起，对此，悟空发布了OPT（一人团队）十大解决方案，涵盖了电商、跨境电商、知识类博主、开发、门店、设计、制造、法律、财税、猎头十大场景，一键启用悟空，就能轻松实现一个驾驭一支精通业务的“Agent团队”。悟空也被阿里定位为“打造B端AI应用入口，将模型能力深度融入企业工作流”，成为阿里企业级AI的战略布局。同时，它还承担着阿里AI技术在B端商业化落地的关键使命，以钉钉为核心载体，把 AI 从概念转化为企业可直接使用的生产力。

4. 华为Mate X7这次首发的A2A智能体协作真的太懂用户需求了，直接把折叠屏智能体验拉满到新高度，用一次就彻底上瘾～以前喊AI助手办事总卡壳，要么只能单步操作卡半天，要么来回切APP越用越烦，效率低到爆炸~而现在用Mate X7随便说句值机选靠窗座、买数据线，小艺直接自动联动多APP跑通全流程，全程零手动操作，省心到飞起！#华为折叠屏首发A2A智能体协作#

5. 【保姆级】OpenClaw 全网最细教学：安装→Skills实战→多Agent协作，1 小时全精通！

6. #华为折叠屏首发A2A智能体协作# 华为Mate X7首发的这套智能体功能确实挺强挺实用啊！对于日常使用来说，这样的Ai智能才是我们需要的。小艺智能体首次商用A2A智能体协作，实现与第三方软件平台的协同：只需要说一句话，小艺就能无缝串联其他APP智能体，轻松实现AI订票、AI复购、AI理财建议等等各种需求和体验。华为Mate X7在智能体验这块确实做得不错，平时繁琐复杂的操作，直接一句话就搞定了。

7. #华为MateX7的大屏AI有多强# 确实会让使用的人更有效率！基于首发搭载的鸿蒙6，还有业界首次商用的A2A（Agent to Agent）智能体协作技术。华为Mate X7有了这个基础之后，小艺就不只是简单的“辅助工具”，而是进化成为“全能助手”。用户只需一句自然语言指令，小艺便能主动理解任务、拆解步骤，比如串联订票、酒店、出行等多个应用可以实现分屏智能体协同服务，真正实现“说一句话，办多件事”。这种融入生活场景的功能，再结合其超大沉浸大屏，何尝不是“越展开越心动”的智慧体验。

8. 3天赚1200刀？纯聊天就能捏出个能搞钱的 AI Agent！【教程】

9. 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

10. 360发布“养龙虾”安全指南！ #大有学问 #养龙虾 #OpenClaw #AI工具 #红衣聊AI

11. 给AI一个“身体”：3D数字人或是具身智能的解法？【硅谷101】

12. 【无广】我用AI Agent手搓了一个科技博主神器：动态图表生成器！

13. 阿里甩出 AI 王炸！ Qwen3-Max-Thinking 高调对标 GPT-5.2-Thinking，是真硬刚还是博眼球？这款阿里旗舰推理模型拿下 19 项国际基准测试高分，自带自适应工具调用，能自主搜信息、做计算，主动解决问题，还成了阿里全生态的技术底座，打通电商、本地生活等全场景实现智能闭环。有人说它缩小了中外 AI 差距，坐稳中文 AI 头把交椅，让阿里 AI 生态形成良性循环，未来可期；也有人质疑，对标全球顶尖模型只是纸面数据，落地商业场景的实际能力仍需检验。阿里这次的 AI 大招，到底是技术突破的里程碑，还是营销造势的噱头？这款模型的真实实力究竟如何，一起来聊聊吧！#微博超有用视频大赛##上微博涨知识##AI创造营##科技先锋官# http://t.cn/AXqpEa95

14. 软件正在为智能体重写，公司正在为智能体重构互联网正在为智能体重建，我们可能正站在软件行业第四次迁移的起点。#大有学问 #红衣聊AI #互联网 #AI工具

15. 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#

16. 《走近科学》——多Agent不是万能药，从玄学走向科学，来自Google和MIT的研究

17. Google Cloud 推出多智能体 AI 系统参考架构，助力构建高效协作的专业 AI 代理，实现复杂业务流程优化。核心思想是将大任务拆解成多个子任务，由多个专长智能体协同完成，提高效率与准确性，同时支持人机协作保障安全与可靠。架构亮点：- 用户输入由前端发送至协调者代理，自动选择合适代理流程（顺序执行或迭代优化）。- 任务子代理、质量评估器和响应生成器分工明确，支持多轮优化与人工干预。- 支持无服务器 Cloud Run，结合 Vertex AI、GKE、Model Armor 等多款 Google Cloud 产品和开放协议（A2A、MCP），确保系统安全、兼容和扩展性。应用场景广泛：- 财务顾问：实时数据检索、金融分析、个性化股票建议、自动交易执行。- 研究助理：规划、数据收集分析、报告撰写，支持迭代评估完善。- 供应链优化：库存管理、物流跟踪、供应商沟通，实现高效供应链协同。设计要点：- 安全：结合传统安全与动态防御，强调人工监督和最小权限，利用 Model Armor 防范提示注入和敏感信息泄露。- 可靠性：支持容错设计、故障模拟、日志和异常处理，确保高可用。- 运营：全面日志监控、智能体输出评估、工具共享和跟踪，提升运维效率。- 费用与性能优化：合理选型模型与资源，提示工程优化输入输出，支持上下文缓存和批量请求降低成本与延迟。后续行动：- 利用智能体开发套件（ADK）快速构建与部署。- 结合 Agent Garden 示例和代码，实践多智能体系统。- 深入理解 Google Cloud AI 和机器学习的架构原则与最佳实践，实现业务价值最大化。多智能体 AI 系统正推动智能自动化迈向新高度，将复杂任务拆解为可管理模块，提升效率与安全，适合金融、研究、供应链等多领域。推荐架构详细解读请见：cloud.google.com/architecture/multiagent-ai-system

18. 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

19. 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！

20. 【鸿蒙AI】3句话让鸿蒙电脑写了20000字研究报告？

21. 2025年被科技界提及最多的词—Agent！大家都把它视为下一个风口。那究竟什么是Agent？Agent到底能做些什么？这期视频，带大家看看理想同学Agent又能带给我们的生活哪些改变？ #理想i8# 骆智慧的微博视频抽奖详情

22. 从“龙虾”狂欢到工厂重构：创新奇智如何用“本体智能体”破解工业AI落地之困？| 甲子光年

23. 通俗易懂的解释 LLM，RAG 和 AI Agent 的差别，以下内容为原推的翻译：我终于明白了LLM、RAG和AI智能体的区别过去两年里，我一直在搭建真正落地的AI系统。现在，我终于清楚了：LLM（大语言模型）、RAG（检索增强生成）和AI智能体（AI Agents），根本不是互相竞争的技术，而是构成同一个AI智能系统的三个层次。很多人用错了方法，把它们当成互斥的工具。---> 大语言模型是“大脑” <LLM 就像AI的脑子，它会思考，会写作，也懂语言。但问题来了：它是冻结在某个时间点的。比如 GPT-4，它的知识截止到训练结束的那一天。你问它昨天的新闻发生了什么？那可就瞎编了。大语言模型很聪明，但却不了解“现在”正在发生的事。---> RAG是AI的“记忆” <这时候就需要 RAG（Retrieval-Augmented Generation，检索增强生成）了，它相当于给大脑接入了“外置内存”。当你提问时，RAG会先去外部数据库或文档里搜索，把相关资料抓出来，再丢给大语言模型作为上下文。这样一来，原本静态的模型一下子就“活”了：- 有最新的数据- 有真实的事实- 完全不需要重新训练模型最关键的是，准确率立刻就提高了。大语言模型不用再靠记忆乱猜，而是真正地在实时检索到的信息上进行推理。你甚至还能追溯每个答案到底用了哪些文档。---## > AI智能体是AI的“行动力” <尽管LLM能思考，RAG能提供新鲜的数据，但它们都缺乏真正的行动能力。这时，AI智能体（AI Agents）出场了。它在大语言模型的外面套上了一个控制循环：- 设定目标- 规划步骤- 执行行动- 回顾反思AI智能体并不仅仅是回答问题那么简单，它能自主地去研究一个话题、收集数据、撰写报告，甚至帮你发邮件，全程自动化。---> 真正的生产级AI，要同时用好这三者 <很多酷炫的AI展示，其实只是单纯用了LLM再配上花里胡哨的提示词。但真正能落地的AI系统，往往同时结合了这三个要素：- LLM 提供推理和思考能力- RAG 确保知识准确而新鲜- AI智能体则提供行动和决策能力---> 如何选用这三者？ <- 只用LLM 如果你需要纯语言的任务，比如写作、摘要、解释。- LLM + RAG 如果你需要回答涉及特定文档、技术手册、专业领域知识的问题，并确保答案准确无误。- LLM + RAG + AI 智能体如果你需要真正的自主行动，比如系统自己决策、执行任务、管理复杂流程。---> AI的未来，不是选哪一种，而是如何把这三层架构起来 <记住这个公式：- LLM负责思考- RAG负责知识- AI智能体负责行动真正的AI智能系统，就是这三者协同起来，形成一个完整的智能架构。来源：x.com/connordavis_ai/status/1985663551697273216

24. 2026年最硬的铁饭碗，是学会给AI当老板｜开年必读AI指南（一）有很多年轻朋友问我：“开复老师，2026年多智能体规模化上岗了，我会被替代吗？”我在零一万物的会议室里，有一块白板，上面写过各种各样的趋势判断。在今年，一个核心的观察是：今年是企业多智能体上岗元年。AI正在从“一人一工具”跨越至“一人一团队”。如果说，推理模型加持下，单智能体所实现的是任务处理的智能化，那多智能体则是像人类团队一样分工协作、相互检查，将企业内部的优秀能力沉淀为可复用、可组合的业务资产。在我看来，2026年，企业多智能体将作为“硅基军团”，在核心办公场景中扮演关键角色。我的观察是，如果你还把AI当成一个偶尔查资料的工具，如果你还在纠结于写PPT、填表格这些重复性工作，那确实应该有危机感。任何基于数字、可计算的、相对重复性的工作，AI会越做越好，越做越快，越做越便宜。不同于基于预设规则的RPA（机器人流程自动化），多智能体实现了从“执行”到“思考”的跨越：它能理解用户意图、自主拆解复杂目标、并灵活规划路径。这种从“端到端”的交付能力，让 AI 真正具备了职业属性。未来的职场，人与AI的边界将会被重新划分：人类会从繁琐的重复性工作中解放出来，去处理最核心的战略决策，去建立人与人之间那种不可替代的情感连接。所以，如何不被替代？答案不是去和AI拼算力，而是要进化你的“战略定义力”与“价值判断力”。- “战略定义力”：在复杂的业务环境里，为AI锚定战略目标。- “价值判断力”：要有能力审查AI的产出，识别潜在风险，为最终交付的社会价值与商业价值负责。未来企业架构将会是“人类架构师＋智能体集群”协同进化的超级智能体。而具备战略定义力与价值判断力的“复合型员工”将会是人机协作的核心。你最想把哪项令人头疼的工作交给AI？（图1由AI生成）#人工智能# #职场干货#

25. 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

26. 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

27. 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

28. 如果你现在还没用Agent帮自己干活，那其实很危险

29. 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

30. 企业级AI Coding的落地方法，都在这本实战手册里了｜甲子光年

31. 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

32. Claude 工具调用迎来重大升级简单来说，Claude 的工具调用方式从一问一答变成了写代码批量处理。以前的流程：用户提问 → Claude 调用工具 → 拿到结果 → Claude 再决定下一步 → 再调用工具 → 循环往复现在的流程：用户提问 → Claude 先写一段代码 → 这段代码自动调用工具、解析结果、根据条件判断下一步操作 → 最终把处理好的结果交给 Claude核心变化是：Claude 不再每次调用工具后都要"回来想一想"，而是提前用代码把各种可能的情况都规划好，一次性执行完。实际效果有多好？以网页搜索为例，Sonnet 4.6 在 BrowseComp 基准测试上准确率提升了 13%，同时输入 token 减少了 32%，又快又准。以前 AI Agent 每一步都要请示大模型做决定，现在 Claude 可以预先把成百上千种决策路径写进代码里，一次性跑完。这相当于把原来需要多轮 LLM 调用的循环压缩成了一次代码执行，效率提升的潜力非常大。除了搜索之外，代码执行、网页抓取、记忆、程序化工具调用等功能也同步正式上线了。

33. 转：David Singleton，前 Stripe CTO 最近有个观点很炸裂：当我们所有人都觉得 AI 时代最危险的是 manager，因为不需要中间层了嘛，agent 直接干了。结果他现在优先招那些以前当过 manager 但现在想回来写代码的人。原因是他认为 manager 天然擅长拆解任务、协调资源、知道什么时候该推一把什么时候该放手，他认为这才是驾驭 coding agent 最核心的能力。----我觉得说的没有错的，不过这里重点不是当没当过 Manager，而是同时有架构能力和管理能力，能拆分任务，能管理 Agent。说实话，很多 manager 技术不咋地，就会向上管理和 PUA，但管 Agent 重要的不是向上管理，也不是 PUA，而是“定义问题”和“知人善用”。

34. 我用1400年前的三省六部制，搞了一套很酷的多Agent协同方案。

35. 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#

36. 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

37. Agent Infra到底是什么？【AI基建】

38. AI智能体离掌管全球经济决策又近了一步！ #大咖观察 #红衣聊AI #金融 #科技 #财经

39. 「Github一周热点103期」超轻量的clawdbot、编程智能体的记忆工具、聊天记录分析工具、视觉agent框架和键盘、鼠标统计工具

40. #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。

41. AI可能发现相对论吗？ #大咖观察 #鄂伦春 #智能体 #红衣聊AI

42. 不用折腾部署 OpenClaw，我用 MiniMax Agent 一键养「龙虾」，还拍了个短剧

43. 2026企业级智能体白皮书｜甲子光年智库

44. #一分钟视频创作季# 智能体进入到需求侧与供给侧形成双重驱动。2026 年全球 AI 智能体市场规模将达 115.5 亿美元，较 2025 年实现 45.8% 的高速增长。中国市场增速更为迅猛，行业测算显示 2025 年国内企业级智能体市场约 109 亿元，未来三年复合增速超 211%，2026 年有望突破 300 亿元大关。消费电子与企业服务是核心增长点， 2026 年将有超 30% 的企业软件内置智能体能力，2026 年部署生成式 AI 智能体的企业比例将从 2025 年的 25% 翻倍至 50%，62% 的投资方预期实现 100% 以上回报。消费电子、网络安全、供应链管理成为投资热点，端侧与云端协同的混合架构将吸引更多资本布局。#AI创造营##财经朋友圈# 种斌Marco的微博视频

45. 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#

46. 开发AI Agent常常需要切换多个框架和工具，记忆系统难管理，技能创建繁琐，自学习循环还得从零搭建，效率低下。《Hermes Agent 从入门到精通》橙皮书，提供Nous Research开源AI Agent框架的完整实战指南。全书17章5部分，详解自学习循环、三层记忆系统、自动技能创建与演化，还包括安装、多平台部署和真实场景应用。GitHub：github.com/alchaincyf/hermes-agent-orange-book主要内容：- 从Harness工程到Hermes Agent核心概念；- 学习循环、记忆系统、Skills与工具生态；- 动手安装、首次对话、多平台运行与自定义；- 知识助手、开发自动化、内容创作、多Agent实战；- 自学习Agent边界与三方对比深度思考。免费PDF下载，支持开发者与AI爱好者快速上手，基于Hermes Agent v0.7.0。#AI橙皮书##HermesAgent##人工智能#

47. 在舆情分析领域，“微舆”以多智能体架构打破信息茧房，自动抓取并深度分析国内外30+主流社媒和海量评论，帮助还原舆情全貌，预测未来趋势，辅助科学决策。系统从零实现，无需依赖任何外部框架，支持多模态内容解析和多模型协同，具备强大的数据融合与扩展能力。无论是品牌声誉监测、公共事件分析，还是行业趋势研判，微舆都能轻松应对，满足企业和研究机构的多样化需求。主要特点：- AI驱动的全天候全域数据监控，覆盖微博、小红书、抖音等多平台；- 多Agent协作引擎，实现跨模型、跨工具的深度复合分析；- 支持图文、短视频等多模态数据的智能理解与处理；- 独创“论坛”机制促进Agent间思想碰撞，提升分析精度；- 公私域数据无缝结合，打通外部趋势与内部洞察；- 纯Python轻量模块化设计，便于部署与定制扩展。项目地址：github.com/666ghj/BettaFish适合数据科学家、舆情分析师、市场研究员等专业人士使用，是构建智能舆情分析平台的优秀开源选择。

48. 全新旗舰折叠华为Mate X7这次真的把AI带进了新阶段！#华为折叠屏首发A2A智能体协作#首发搭载鸿蒙6和A2A智能体协作功能，让小艺能直接调动其他应用的智能体协同服务。比如出差时只需说一句"选个能看日落的位置"，小艺就会通过深圳航空智能体帮你搞定座位；想知道股市行情，东方财富智能体立刻就能把数据呈上。完全不用来回切换APP，一句话就能让多个智能体为你工作。这种无缝衔接的体验才叫真正的智能升级，已经有点迫不及待想上手试试了！

49. 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

50. 华尔街被一篇神文吓傻！如果到2028年，AI智能体全面普及，会发生什么？#大有学问 #红衣聊AI #华尔街 #人工智能

51. #天禧 AI 生态# 大会提出的 “应用商店 2026 年推进开设智能体专区” 规划，其意义在于为智能体应用搭建专属的展示与分发平台。这一举措将解决智能体应用 “难找、难用” 的痛点，让用户能快速找到适配自己需求的智能体，也让优质开发者的成果得到更广泛的传播，进一步繁荣天禧 AI 生态的应用生态。#2025 联想天禧生态伙伴大会##天禧个人超级智能体##酷睿Ultra##酷睿UltraAI更强谁不爱#

52. 谷歌DeepMind掌门人，诺奖得主哈萨比斯1月信息量最大的访谈 #ai #AGI #谷歌 #哈萨比斯 #agent

53. 探访云栖（二）：AI Agent元年，谁在打造“数字员工”？【101 Weekly】

54. openclaw没思路？多场景分享+官方推荐的成本优化方案

55. #华为折叠屏首发A2A智能体协作# 语音助手和AI是智能手机的标配，但真正好用，又非常智能，还会自己思考的智能体非常少见。华为Mate X7折叠屏首发A2A智能体协作，这引发了又一轮升级。具体来说，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。比如，我想买机票，直接告诉小艺订票。出差前一天，小艺会提醒你设置闹钟，甚至会帮你叫车，给我提供全方位的智能服务，这才是用户需求的AI智能体。

56. Kimi K2.5来了：杨植麟亲自站台，还能分身出100个Agent！

57. Agent时代的方法论 —— Anthropic的心法

58. 当你还觉得AI只是“辅助工具”时，它早已在改写很多行业的游戏规则了。#大咖观察 #红衣聊AI #AI工具 #智能体

59. 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

60. 智能体商战，是旧商业规则和新商业规则的战争。 #大咖观察 #红衣聊AI #智能体 #商战 #亚马逊

61. 「Github一周热点92期」智能机器人操作系统、语音转文本桌面应用、机械臂系统、虚拟音频工具、图片盲水印和多功能终端

62. AI智能体时代，职场规则已不同以往。想成为赢家，关键在于找准自己的位置。#大咖观察 #红衣聊AI #智能体

63. 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

64. 【#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。

65. 华为鸿蒙操作系统6的发布，将移动终端智能体验提升至新高度。值得注意的是，小艺智能体还将能调动超80个鸿蒙应用智能体协同工作，预计10月底还将上线更丰富的小艺帮帮忙功能，可以自动打开第三方平台进行购物、订机票等操作。这种深度协同能力让鸿蒙6不再是单一的操作系统，而是进化为一个智能体协作平台，已经可协同处理养猫、差旅规划等复杂事务，重新定义了智能终端的交互范式。#鸿蒙上线超80个应用智能体##AI已经可以帮我养猫了#

66. 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#

67. 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#

68. 在线做AI研究助手，信息查找、论文审阅、实验复现多任务轻松搞定？Feynman 是一个开源 AI 研究代理项目，集合了多智能体协作、文献检索、批判性评审、实验复现等功能，帮你高效产出生信可靠的科研成果。它支持自然语言交互，指令也能自动调动不同agent工作，比如：- /deepresearch <话题> ，聚合大量论文和资料深入探讨- /lit <话题> ，完成权威文献综述- /audit <论文编号>，对比源代码核验论文结论- /replicate <实验>，本地或云端复现实验流程还内置了基于Pi框架的agent运行时和alphaXiv文献解析大脑，输出的所有内容都附带精准引用。多平台运行依赖Node.js环境，支持Web、CLI等形式，适合AI科学家、工程师和研发团队加速创新。GitHub：github.com/getcompanion-ai/feynman主要特点：- 多智能体自动协作，提升研究深度与广度- 完整文献检索、批评复审和实验复现链条- 结构化输出，方便撰写论文和报告- 支持Docker容器，保证安全隔离执行- 自动链接文献和代码，确保结果透明可信让科研不再是孤军奋战，Feynman做你靠谱的研究伙伴！#AI创造营# #人工智能# #开源# #科研利器#

69. Agency Agents：号称能一键搭建一个“AI公司”，配备55个高度专业化的AI员工，涵盖了工程、设计、营销、产品、项目管理、测试、支持、空间计算等多个部门，非常像现实中的公司架构。项目亮点：- 明确分工，每个AI都是某个领域的大咖，比如前端工程师、品牌守护者、增长黑客、Sprint优先级规划师、质量验证专家等；- 强调协作和流程，模拟真实团队工作，解决单一大模型扛全的性能瓶颈和职责模糊问题；- 支持Claude Code等主流AI代码工具，且自带批量生成和安装脚本，方便集成到各种AI开发环境。社区反馈和潜在问题：- 很多网友表示这套系统在“演出”层面非常完整和有趣，但实质执行时仍然有上下文共享难题，多个agent之间的记忆和协调尚不可控；- 多agent间消息传递带来海量tokens消耗，成本和效率成了大考验；- 也有人提出可以配合类似GSD，Paperclip等工具做更好地执行管理和成本控制；- 有人建议加入一个“成本管控agent”，专门监控预算和token消耗，避免“爆账”。未来展望：这类多agent“AI公司”架构是2025年后业界的新趋势，有论文表明多agent协作能提升复杂任务完成率25%左右，远优于单agent模型。尽管目前还处于早期，可玩性和探索价值极高。正如Greg所说，未来属于愿意折腾这些新技术的创造者。想玩转AI多agent团队，又想少踩坑的话，这个项目值得关注和研究。源码开放，社区活跃，非常适合爱折腾的工程师和创始人们自己动手搭建“未来的公司”。#AI创造营##人工智能# GitHub：github.com/msitarzewski/agency-agents

70. 什么是 AI 智能体？

71. 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#

72. 数据是金矿，要“玩”好AI养成系游戏｜开年必读AI指南（六）“早、快、专”——这是我在 2026 企业多智能体上岗元年，给所有企业构建AI核心竞争力的建议。尽早引入企业多智能体，最快选用先进架构，并利用自身私有数据训练出不可复制的专业模型。在 2026 年，如果模型与算力是通用的“基建”，那么数据就是你唯一的非对称竞争优势。你可以将 AI 数智化转型视为一场“超级员工养成系游戏”。智能体绝非数据的单向“消费者”，它们正进化为企业集体记忆的“建设者”。通过自动标注与行为反馈机制，智能体在实时运行中持续修正并优化决策逻辑，从而驱动“数据飞轮”的闭环运转，并且在未来形成“企业记忆库”。未来大家都可以购买智能体、模型和算力，只有数据组成的“企业记忆库”才能够构建起传统行业的护城河。比如在 HR 招聘场景，可以在我的主页找到零一万物万智多智能体的演示视频，已覆盖职位发布、简历初筛到面试助理等场景。公司的每一次面试反馈、每一份绩效评估，都能够成为高质量的对齐数据，驱动智能体精准进化。2026企业多智能体上岗元年，数据是躺在硬盘里的“数字黄金”。利用 RLHF（人类反馈强化学习）与混合对齐策略，将深藏在员工大脑中的“行业直觉”与“业务 Know-how”，固化为可复用、可迭代的数字资产。未来的企业竞争，本质上是“进化速度”的竞争。如果你只是买个工具，那只是暂时的效率提升；只有把数据形成闭环，让智能体在你的场景里持续“进化”，你才拥有了真正的护城河。图1由AI生成

73. 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

74. #华为折叠屏首发A2A智能体协作# 华为 Mate X7 这波黑科技太炸了！作为首款实现 A2A 智能体协作商用的折叠屏，直接把人机交互拉到新高度～依托鸿蒙 OS 的底层优势，小艺智能体化身 “超级协调官”，能自主调度多种工具和三方智能体，彻底打破应用孤岛！以前需要手动切换多个 APP 的复杂操作，现在一句话就能搞定，这不仅是小艺智能体实力的彰显，更重新定义了下一代折叠屏的核心体验 —— 从被动响应升级为主动协作。大家一定要去线下体验一下A2A智能体协作，相信会更加惊喜!

75. 「Github一周热点90期」规格驱动开发、AI记忆引擎、AI agent的docker、开源流媒体平台、开源电商平台和密钥管理平台

76. 最近扎克伯格正在悄悄憋大招：给自己做一个AI分身叫“CEO智能体”，专门帮他当CEO助手。有人评论说：难道小扎这是要自己造AI，慢慢把自己干掉吗？#大有学问 #红衣聊AI #扎克伯格 #智能体

77. LangChain Agent 年度报告：输出质量仍是 Agent 最大障碍，客服、研究是最快落地场景

78. AI手机的到来或许不再久远，真正的人车家AI全交互，AI的深度交互，不止于手机。小米技术北京发布，基于MiMo大模型打造移动端AI交互测试产品Xiaomi miclaw，开启小范围封测，是小米探索Agent的尝试。相较传统AI助手，拥有系统底层、个人上下文理解、生态互联、自进化四层能力。小米miclaw这波直接把移动端Agent落地，系统级能力拉满，AI手机和AIOS的时代是真的要来了。别家AI最多是APP级助手、被动响应、只能做简单指令，小米miclaw是系统级Agent、主动规划、能自主完成复杂任务、深度绑定小米全生态，生态伙伴1.5万家、设备超10亿台。用全球最大IoT生态喂饱它，不敢想真正AI的到来。这就是AIOS和真AI手机的样子，而不止是用手机AI点个外卖、购物这些场景，是生活方方面面的全覆盖。

79. 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#

80. 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

81. 龙虾正在引发一场AI海啸，之前大家还在讨论， Cursor会不会淘汰程序员，但如今这种工具本身都已经快过时了。#养龙虾 #openclaw #程序员 #红衣聊AI

82. Qwen3.6-Plus 太猛了！免费 + 百万上下文 + Agent + 视觉多模态AI能力拉满！零度解说

83. 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#

84. 飞书谢欣发朋友圈感概，春节前后几周，有朋友的工作方式已经改变。个人电脑跑agent和企业里用agent是完全不同的事情。原文如下：最近龙虾实在太火，很多很多朋友都在飞书上养茶。春节前后短短几周，有朋友的工作方式已经改变。我自己最近也思考很多，我越来越觉得，个人电脑上跑agent和企业里用agent,是完全不同的事情。个人玩agent是探索，企业用agent是责任。个人场景出了错，大不了重来；企业场景出了错，可能是文件被删，数据泄露。agent的能力上限让人兴奋，但安全的下限决定了它能不能真正进入工作场景。不解决信任和安全的问题，越强大，越危险。这也是我们要帮大家解决的问题，让个人和企业，都能更方便，安全的养🦞

85. Agent常见面试题：LLM 是如何学会调用外部 API 或工具的？1 训练数据让模型先“知道工具是怎么用的”在模型具备工具调用能力之前，它必须先在训练数据里看到足够多的工具调用示例。通常包含两类数据：1）真实 API / 工具调用代码或文档，例如：a. “要获取天气，请调用 get_weather(city=...)”b. “要计算数学表达式，请调用 calculator(expression=...)”2）人类标注或模型生成的“对话 + 工具调用”示范，例如：a. 用户问：杭州天气如何？模型示范：调用 tool.get_weather({city:"杭州"})再根据工具返回的结果继续回答。通过这些示例，LLM 学会了：什么问题对应调用什么工具；工具调用的格式是什么；什么时候不该调用工具。2 监督学习（SFT）使模型学会“根据指令选择工具”在 Fine-tuning 阶段加入大量的示例：1）该调用工具的场景2）不该调用工具的场景3）多工具协作场景例如：用户问「告诉我台北到上海的机票价格」。正确示例：a. 模型判断这需要实时信息b. 模型调用 flight_search API模型学习到：当遇到“需要外部信息/计算能力”的问题时，应倾向调用工具。3 通过 RLHF 让模型“偏好正确的工具调用行为”强化学习阶段会奖励：1）正确调用工具2）不乱调用工具3）工具调用后能给出正确结果惩罚：1）不必要的调用2）调用错误的工具3）调用格式不正确这一步让模型不仅会“模仿”，还会“懂得什么时候该调用工具”。4 ReAct / 规划式数据让模型学会 “推理后再决定工具”许多训练数据采用 ReAct 风格：1）模型先思考：要不要调用工具？2）再决定工具调用3）执行后再继续思考与回答这种数据让模型具备：1）任务分解2）长链路推理3）工具调用规划最终效果是：面对复杂任务，模型不会盲调，而是自行形成“推理 → 调用 → 再推理”的结构化流程。5 架构层提供“可调用工具的接口”现代 Agent 框架都会在推理阶段给模型提供一个结构化 schema：1）告诉模型有哪些工具2）告诉模型调用格式3）告诉模型每个字段是什么类型这样模型在生成内容时不需要“猜”，而是严格遵循系统提供的 schema，直接输出可执行的 JSON 或结构化调用指令。例如：1）系统提供工具：search(query: string)2）模型内部只需决定：要不要调用？，以及 query 内容是什么。6 推理时的实际行为：模型并不真的“执行工具”，而是生成结构化调用请求推理时发生的事情是：1）模型生成 JSON 指令，例如：{"tool":"search", "query":"杭州天气"}2）外部系统执行工具并将结果返回3）模型继续根据工具结果生成下一步行动或最终答案模型本身没有执行能力，它只是生成符合 schema 的字符串而已。总结LLM 学会调用外部 API / 工具，是一个“示例训练 + 强化学习 + 架构支撑 + 推理策略”组合的结果：1）先在数据里看到大量工具调用示范2）通过 SFT 学会该如何调用3）通过 RL 学会什么时候应该调用4）通过 ReAct 学会任务分解与步骤规划5）通过 functions/schema 让调用标准化因此模型看起来像真的“理解工具”，但本质是根据统计学习到的模式生成结构化指令。#ai创造营# #程序员#

86. openclaw实践

87. 多智能体协作

88. 多智能体是什么？从“一个人战斗”到“团队协作”的AI进化

89. 多智能体协作

90. 智能体集群“破圈”

91. 大型企业ai应用开发

92. 2026年AI智能体时代的到来

93. 4.1-3|多智能体系统与社会涌现

94. 多Agent协作（Multi-Agent Systems）

95. 多代理协作框架深度解析(2026.3月最新版)

96. 为什么单 Agent 不够用了

97. Agency Swarm - 多Agent协作框架实战指南

98. 从单兵作战到群智协作

99. 多 Agent 协作系统

100. AI Agent深度对比

101. AI Agent 框架大战

102. 它们都在教Agent怎么跑，没有人教它怎么"在"

103. 多智能体上岗元年

104. 科学家发现

105. 科学家发现模型单次处理容量上限，多智能体成破局关键

106. 2026年，AI数据分析有望走进多智能体（Multi Agent）时代

107. 麦肯锡2026智能体报告深度解读

108. 告别单体 Agent

109. 多Agent协作

110. 别被多智能体忽悠了

111. Towards a Science of Scaling Agent Systems(多智能体系统，不是越多越好)

112. 2025年智能体开发总结

113. 第8章从单个智能体到多智能体

114. 多智能体系统崛起

115. 多Agent调研逻辑闭环

116. Deep Research Agent 实战(三)

117. 智能体深度解析

118. 多Agent是个骗局？别被忽悠了。90%的场景，单Agent就够了。多Agent的"协作"，本质是"沟通成本"爆炸

119. 从单 Agent 到多智能体系统

120. 【技术加速器】深度探索

121. 2026趋势展望

122. 2026“企业多智能体元年”来临，零一万物发布六大预判

123. AI智能体从"概念"到"赚钱"

124. 2026年，AI+数据分析有望迎来多智能体时代

125. 2026企业智能体开发平台评测

126. 第五章

127. 别再傻傻分不清了！单Agent、多Agent、子Agent到底有什么区别？

128. 深度分析

129. AI Agent性能优化实战

130. DeepMind 新研究

131. 多Agent还是单Agent

132. LangChain 教程 21｜多 Agent 系统

133. 企业级实战揭秘

134. 面向多元场景打造AI智能体

135. DeepMind

136. OpenClaw 企业级实战（十二）

137. 如何利用 OpenClaw 的多 agent 能力搭建数字化团队

138. Claude Agent Teams 实战手册

139. 2026 年 AI 客服怎么选？语流 Agent 凭 RAG + 多 Agent 协同脱颖而出

140. 2026年AI Agent技术趋势展望

141. 别再往一个智能体里塞功能

142. 谷歌发布适用于多智能体的八种设计模式

143. 产品经理必看

144. 多智能体视频推荐系统

145. 15. Agent-多智能基本理解

146. AI Agent 智能体编排模式

147. AI Agent全方位学习第十章

148. Anthropic最新思考，什么时候才真的需要构建多智能体？

149. 用 OpenClaw 搭「多 Agent 协作系统」

150. 人工智能 | 2026年AI智能体发展状况报告

151. 多智能体模型、学习和协作研究与应用.docx

152. OpenAI 朝 AI 第 3 阶段迈进，正招募人才组建“多智能体”团队

153. 多智能体协同:是“群策群力”,还是“内耗加剧”?

154. 基于领域知识的多智能体分层协作规划方法

155. 一种基于状态动态感知的多智能体合作学习方法

156. 企业AI Agent的多智能体系统在团队协作优化中的应用

157. 2026年OpenAI最看好的3个方向

158. 多智能体

159. 基于多智能体值分解深度强化学习的多智能体协作算法研究

160. 多智能体

161. deephub

162. https://www.toutiao.com/article/7611431390919344655

163. 新研究提升人工智能决策算法适用性复杂系统信息交换成本可降低70%

164. 多智能体开发框架之LangGraph全面剖析实战教程

165. 云从科技:AI智能体助力多领域发展,多模态应用助力电商与司法领域

166. 2026年智能体AI:应用参差不齐而非全面普及

167. 中国信通院可信AI多智能体协同2026年首批评估正式启动，首个行业标准即将报批

168. 心理学博士学AI Agent的第n天，多智能体协作模式（10）

169. 2025 框架大洗牌：选 AutoGen、LangGraph 还是 ADK？

170. 127. 博士论文 | Stanford 2026 |《协同 AI 智能体》177页

171. 基础篇-多智能体序

172. 多智能体协作的搜索范式——AI Search Paradigm

173. 多智能体研究方向多智能体创新点

174. 多 Agent 架构上下文传递的 4 种策略

175. 智能体「行动后反思」的自动化：我们如何让系统从错误日志中生成改进用例

176. 多 Agent 自动生成：从手搓架构到约束优化

177. MetaGPT：多智能体框架——让AI像软件公司一样协作工作

178. 《Agent开发模式》第6章多 Agent 协作：分工、协调与冲突治理

179. 现代 AI Agent 系统（基于 LLM 的流式、多工具、多智能体协作系统）12 项高价值工程实践经验

180. AI智能体实战：多步骤任务错误回滚机制设计，避免落地翻车

181. AI Coding 11：多智能体协作

182. 2026 AI智能体产业全景研报

183. 【转载】多智能体系统的分布式协同控制与优化算法研究：解锁未来智能协作的新范式

184. 多Agent重构AI编程开发者效率提升60% 行业会变天吗

185. 宣传一下我们近期agent调试的工作

186. AI时代芯片验证新范式：基于Claude Code Team的多智能体协作实践

187. 多智能体系统的构建时机与方法

188. 【529】多智能体协作关键机制（业务易懂版）

189. HERA：双层演化让多智能体RAG自我进化

190. 别再往一个智能体里塞功能了：6种多智能体模式技术解析与选型指南

191. 产品经理必吃透：多智能体协作（Multi-Agent）核心解析+7大落地模式

192. Multi-Agent 系统：AI 团队协作效率提升 300%

193. 还在手动力捧的多智能体系统？别人用自动化早就下班了

194. 在失败中进化？UIUC联合斯坦福、AMD实现智能体「从错误中成长」

195. 多智能体协作系统：从单体智能到群体涌现的工程实践与未来图景

196. AI Agent 框架实测：AutoGen、CrewAI、LangGraph 有何不同？

197. LangGraph vs. LangChain：怎么选

198. 【527】多智能体系统（MAS）——智能体的“数字专家团队”（业务易懂版）

199. 介绍一下多 Agent 如何实现工作？多个 Agent 之间如何协调和分工？

200. Claude Code vs Codex：从多 Agent 机制看两种产品的分野

201. 2026 年智能体架构综述：从笨重设计到多智能体架构（MAS）

202. 还在让AI单线程干活？我用WorkBuddy多Agent，1人=18人团队

203. 【开源】Swarms 是由 kyegomez 开源的企业级多 Agent 编排框架，专注于构建可生产部署的智能体系统。该项目提供完整的多智能体协作基础设施，支持层级化 Agent 团队、并行执行与复杂工作流编排，使 AI 能像组织一样协同完成复杂任务。相比轻量级 Agent 框架，Swarms 更强调“生产级可靠性 + 大规模调度能力”。特点 • 多 Agent 编排系统：支持层级、并行、图结构等多种协作模式 • 企业级架构设计：高可用、可观测、模块化微服务架构 • 自动 Agent 生成：AutoSwarmBuilder 可自动构建 Agent 团队与工作流 • 多协议集成：支持 MCP、AOP 等 Agent 通信与工具协议 • 统一模型接口：兼容多模型与多提供商生态 • 适用于复杂业务自动化：如分析、决策、内容生成等库名 kyegomez/swarms

204. 【精华】多Agent协作框架竞品调研报告--OpenClaw及主流框架在实际业务场景中的应用分析与前景展望

205. LangChain 1.0 VS LangGraph 1.0：智能体我该用哪一个？

206. 多智能体大规模协作：微软框架与 SWE Agents 实践 Agent-to-Agent 大规模协作：用 SWE Agents 和 Microsoft Agent Framework 实现高级多智能体编排探索多智能体协作的未来！本场以由 Semantic Kernel 与 AutoGen 工程团队打造的 Microsoft Agent Framework 为核心，带您搭建真正可扩展的 AI 协作系统。您将学会如何借助 SWE Agents（GitHub Copilot 编码智能体 + Codex 搭配 Azure OpenAI 模型）设计兼容 A2A 的智能体，并开发 MCP 工具，保障协作整合的安全性。本课程将演示如何搭建、部署并扩展企业级智能体系统，还能抢先体验最新的进阶工作流功能的第一部分。第二部分的内容将在下一个视频中展示。 🧠 您将学到：・运用 Microsoft Agent Framework 整合智能体，降低整合复杂度；・搭配 SWE Agents 加速程序开发，快速完成原型搭建；・通过 MCP 保护敏感数据，在多智能体协作整合中保障数据安全与合规。 #AI #Agent #MCP #SWE #多智能体

207. AgenticX 深度解析：从多智能体框架到 Machi Desktop，重新定义 AI 协作范式

208. 多Agent协作效率提升300%：团队实践经验分享

209. 大语言模型技术百科：原理、架构与工程实践，第三十七章：应用范式：多智能体系统与新兴协议

210. 多智能体技术赋能：开启个性化学习新篇章

211. 多智能体协作与企业级实战：构建智能测试的中枢系统

212. AgentDropoutV2：多智能体系统“试时手术刀”，动态拦截修复错误，拒绝传播

213. 收藏起来学习：学透 Coding Agent + 多 Agent 协作框架

214. RAG 与 Agentic RAG 的区别详解

215. Agent 开发框架对比：LangChain、AutoGen、Agno 哪个更适合你？

216. AI Agent架构怎么选？单智能体+工作流 vs 多智能体（附跨境电商实战案例）本文结合跨境电商“评论分析Agent”的真实项目，深度解析AI Agent架构选择的核心逻辑。详细对比“单智能体+工作流(Workflow)”与“多智能体(Multi-Agent)”的优劣势。教你如何通过架构优化降低95%的Token成本、提升SaaS产品稳定性，为AI开发者、产品经理及电商卖家提供高价值的落地经验。 #跨境电商 #Agent架构 #Agent实战#SEO

217. 多智能体开发省70%工期？我花了2个月实测，说几句得罪人的话

218. OpenClaw三种多 Agent 模式详解！养虾必备

219. 多Agent怎么沟通协作？三种模式一次讲清

220. 多 Agent 协作怎么设计？工作流怎么编排？

221. OpenClaw框架的多Agent协作系统

222. 多 Agent 架构实战：两种方案深度对比

223. 智能治理||多智能体系统理论、技术与框架

224. Palantir AIP实现多智能体协作的五种模式

225. 多智能体框架调研：10个主流 AI Agent 框架

226. 中大&港中文：首个白盒智能体系统基准

227. 2026年AI Agent框架全景对比谁更适合你？

228. Autogen vs CrewAI vs LangGraph：一张表看懂怎么选，别再盲目折腾了

229. 多智能体就是好吗？什么时候才需要多智能体

230. openclaw上下文溢出，多agent协作。多agent团队协作，主main分配任务给子agent，一人指挥一个团队。分工协作，效率翻倍的同时，还能防止上下文溢出。不占主main聊天窗口，子agent后台工作，你和主main飞书聊天做其他任务。#多agent系统 #多agent #openclaw #memory记忆 #上下文保存

231. TypeScript 生态终于有了自己的多 Agent 框架：open-multi-agent 架构解析

多智能体协作不是万能药，任务可分解性才是关键

精选参考来源