2026多智能体协同爆发元年：任务效率提升4-5倍，主流框架已具备生产级能力_服务软件

1. 你最想让智能体机器人先帮你搞定生活，还是提升工作效率？ #大咖观察 #ai新星计划 #红衣聊AI #机器人

2. #华为折叠屏首发A2A智能体协作# 折叠屏体验终于告别“伪智能”！华为Mate X7全球首发A2A智能体协作商用，直接改写下一代折叠屏的核心交互逻辑。这不是简单的功能叠加，而是让手机从“被动响应”升级为“主动协同”的革命性突破。过去订机票要切换航司、酒店、导航App反复操作，现在对着小艺说“订明天去上海的商务机票”，深航飞飞智能体接单订票，同步联动酒店智能体推荐通勤便利的住宿，甚至根据航班时间提醒收拾行李。工作中要整理热搜资料，无需逐个App检索，小艺能联动微博智搜智能体，一键梳理热点+专家解读，效率直接翻倍。 A2A协议就像给所有应用装了“沟通神经”，小艺化身超级调度员，串联起各类智能体完成跨场景协同。这种打破应用孤岛的能力，让华为Mate X7真正成为全场景智慧中枢，值得每一个追求高效生活的人重点关注！

3. Agent的割裂时代，呼唤“统一大脑”

4. 特斯拉技术分享：明年2季度汽车工业，将迎来没有方向盘的时代#特斯拉 #自动驾驶 #汽车 #Cybercab #端到端

5. 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

6. 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#

7. 【#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。

8. 27岁清华学霸姚顺雨掌舵腾讯AI 27岁清华学霸姚顺雨掌舵腾讯AI，一个98年出生的年轻人，从清华姚班到 OpenAl，再到腾讯首席AI科学家，顶级人才回流，AI竞赛正式进入agent时代！#AI #腾讯 #agent

9. 全球双榜SOTA！明略科技专有大模型 Mano开启GUI智能操作新时代

10. 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#

11. 2026年AI全景预测：迈向百亿智能体时代的20个发展趋势。 #大咖观察 #人工智能 #红衣聊AI #智能体 #AI时代

12. 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

13. #天禧AI从助手到队友# 联想天禧AI生态伙伴大会直播干货太多了！天禧AI 3.5的重磅升级彻底颠覆认知，实现了从“被动响应指令”到“主动闭环执行”的关键跃迁，真正成为能并肩作战的队友。大会对AI产业的发展提出“全场景智能协同”新方向，让AI深度融入办公、创作、生活等多元场景。在产品规划上，天禧AI 3.5涵盖三大升级点：个性化层面构建专属知识图谱，精准匹配你的使用习惯；行动力维度实现多智能体协同，复杂任务一键落地不拖沓；交互体验上升级超级互联3.0，跨设备接力丝滑无断点。并且天禧AI 3.5还将联动联想全品类设备，不仅能精准理解复杂需求，更能自主拆解任务、联动工具完成闭环，从文档整理、数据可视化到跨设备协同操作，全程无需人工中途介入。这种具备独立执行能力的AI升级，让智能体验再上台阶。大会传递的技术实力与生态布局，让行业看到个人AI时代的清晰蓝图，也让更多人期待天禧AI 3.5带来的高效新体验！

14. 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#

15. 不被AI淘汰的重要能力就是学会当智能体的领导。 #大咖观察 #红衣聊AI #智能体

16. 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

17. 手把手彻底学会 Agent Skills！【小白教程】

18. Agent Infra到底是什么？【AI基建】

19. 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

20. 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

21. 斯坦福团队开发的AI黑客机器人Artemis，已能以更快速度锁定目标。它的漏洞发现能力超越90%的人类测试员，成本却仅为人类的1/14。这款特殊的黑客，正在成为网络安全领域的新卫士。Artemis并非传统意义上的攻击者，而是一款多智能体协作的漏洞猎手。它以GPT-5或多模型集成系统为核心，由监督器、子Agent集群和漏洞分级器组成作战小组。监督器统筹任务，子Agent可并行探查，峰值时8个Agent同时工作，分级器则精准验证漏洞真伪。在斯坦福工程学院的实测中，它一举发现9个有效漏洞，提交准确率达82%。效率与成本的颠覆是其最大亮点。人类渗透测试员时薪约250美元，而Artemis每小时仅需18美元。更重要的是它的工作模式，人类依赖灵感爆发，而它能持续稳定扫描，在发现可疑目标后立即启动专属Agent深挖，还曾在NVIDIA核心GPU库中找出隐藏漏洞，让代码更安全。不过这位卫士也有短板。面对图形界面任务时会束手无策，A1配置的误报率甚至高达45%，还曾遗漏人类轻易发现的明显漏洞。目前它更适合做人类的搭档。先由它完成大规模初步扫描，再由专家聚焦关键漏洞修复，形成AI广撒网加人类精捕捞的新模式。从保护高校网络到优化企业代码，Artemis的开源特性正让更多机构受益。它的出现不是取代人类，而是重构网络安全的效率边界。#科技先锋官##AI创造营##AI创作热点##AI生活指南# 种斌Marco的微博视频

22. AI原生电商出现，Agent帮你从建站到运营

23. 云栖来了：开启AI Agent时刻｜甲子视频

24. #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。

25. 大模型Agent的核心还是prompt？

26. 关于 AI Agent，你最想知道的 3 个问题——为什么我说“垂直 Agent”是个伪命题回答几个读者问题。1、AI Agent 是否有一个权威的概念？中美两国对这个概念是否有统一的解释？AI Agent 的定义和国家无关，更多是行业共识的演进。目前业界比较认可的定义来自 Anthropic。他们在《Building Effective Agents》（网页链接）这篇文章中做了一个很重要的区分：工作流（Workflow）：通过预定义的代码路径来编排 LLM 与工具的系统。Agent：由 LLM 动态地指挥自己的流程和工具使用方式的系统，始终由 LLM 来掌控完成任务的方式。简单来说，工作流是“人写好剧本，AI 照着演”；而 Agent 是“人给个目标，AI 自己想办法”。从技术实现角度，我比较认同 Simon Willison 提出的简洁定义（网页链接）：一个 AI Agent（智能体），是为了实现某个目标，循环调用工具的大语言模型。这个定义抓住了 Agent 的本质——它不是一次性给出答案，而是通过“思考→行动→观察→再思考”的循环，逐步完成任务。目前主流的 Agent 实现，无论是 OpenAI 的还是 Anthropic 的，底层都是这个结构。当然，不同公司可能会根据产品定位给出略有差异的表述，但核心思想是一致的：Agent = LLM + 工具调用 + 自主决策循环。2、近期国内外大厂密集推出 AI Agent，为何选择这个时间点？您如何看待 AI Agent 的商业化前景？大厂在这个时间点密集推出 Agent，核心原因是：Agent 是目前 AI 落地最有价值的方向。为什么 Agent 比聊天机器人更有商业价值？聊天机器人的局限性很明显——它只能“说”，不能“做”。而 Agent 能够：• 调用工具：比如搜索网页、读写文件、执行代码• 完成复杂任务：把大任务拆解成小步骤，逐个完成• 与外部系统集成：对接企业内部系统、数据库、API• 持续运行：不需要人一直盯着，可以在后台自主工作这意味着 Agent 可以真正替代人完成一部分工作，而不只是辅助回答问题。已经跑通的场景：编程领域编程是 Agent 最先落地的领域。像 Claude Code、Cursor、Codex 这样的编程 Agent，已经能够实实在在地帮开发者完成任务，不只是生成代码片段，而是理解需求、读取项目代码、修改文件、运行测试、修复 bug，整个流程都能自主完成。正在爆发的方向：Skills 生态去年底开始，“Skills”这个概念开始流行。简单理解，Skills 就是教会 Agent 完成特定任务的“技能包”，一套预设的工具、提示词和工作流的组合。比如我个人就大量使用 Claude Code 结合各种 Skills 来提升效率：• 给文章自动配图（调用图片生成工具）• 根据素材生成漫画故事• 根据素材自动生成 PPT• 自动发布文章到公众号、博客、社交媒体• 等等这些任务以前每个都要花我半小时到几小时，现在几分钟就能完成。顺便说一下，我这几个 skills 都是开源的：github.com/JimLiu/baoyu-skills/issues现阶段的挑战但 Agent 目前仍处于早期阶段，主要挑战有：1. 门槛较高：目前这些能力主要在极客圈子里流行，普通用户上手困难2. 安全问题：Agent 需要较高的系统权限才能工作，这带来了安全风险。比如恶意的 Skill 可能窃取数据、攻击系统3. 可靠性：Agent 有时会“跑偏”，需要人工干预这些问题都在被逐步解决。大厂密集入场，本质上是看到了 Agent 的巨大潜力，想要抢占生态位。谁能率先建立起最多用户的 Agent 客户端和丰富的 Skills 生态，谁就能在下一阶段占据优势。就像现在 Anthropic 就依赖 Claude Code 抢占了先机和用户心智，大家想到 Coding Agent 先想到 Claude Code，MCP、Skills 的标准也是他们提出来的，开发者们争先恐后的基于他们的标准在构建 Agent 生态。3、通用类 AI Agent 和垂直类 AI Agent，您更看好哪个的商业前景？这个问题需要换个角度来理解。Agent 本身难以形成垂直壁垒从技术角度看，Agent 本身没有任何秘密，就像我前面说的，它从技术角度看就是一个循环调用工具的大语言模型。而模型对所有人来说都是一样的：要么花钱用商业模型（OpenAI、Anthropic、豆包、阿里），要么用 DeepSeek 这样的开源模型。这就像选操作系统，你用 Windows 还是 Linux，大家都能用。所以，单纯做一个垂直领域的 Agent 很难建立护城河。你今天能做，别人明天也能做，而且可能做得更好。真正的机会在哪里？打个比方：Agent 就像操作系统，无论是通用领域还是垂直领域，操作系统本身都差不多。真正的差异化，是基于操作系统之上的应用。垂直领域真正的机会在于：1. 独有的数据：你有别人没有的行业数据、客户数据、知识库2. 专业的 Skills：针对特定行业流程打造的工具和工作流3. 深度的集成：与行业内已有系统的对接能力4. 领域 Know-how：对行业痛点和流程的深刻理解举个例子：一个医疗领域的 Agent 产品，核心竞争力不是“Agent”这层，而是背后接入的医学知识库、与医院 HIS 系统的对接、对诊疗流程的理解、以及多年积累的脱敏病例数据。所以我的结论是：不要去做“垂直 Agent”，而是用通用 Agent 的能力，去解决垂直领域的问题。护城河不在 Agent 这层，在你围绕 Agent 构建的数据、工具和行业理解。以上是我基于一线实践的观察和思考，仅供参考。

27. Anthropic：高效构建 AI 智能体的上下文工程

28. 华为最新报告：未来10年，AI智能体、算力、半导体、能源都有巨大的机会#智能世界2035 #AI智能体 #算力 #半导体 #华为

29. 随着AI智能体的发展，能做好决策、持续创新的人，会拥有独特的竞争力。#大咖观察 #红衣聊AI #行业研究

30. 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

31. 2025年，Agent对于打工人真的有用吗？实测OK Computer

32. 我和欧洲“达里奥”做了一场对谈，如何用AI预测未来，用AI把工作效率提升10倍#AI #拉斯特维德 #超智能与未来 #AI预测未来#AI对普通人的影响

33. 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

34. 怎么成为一个 ai agent 工程师？

35. AI Agent落地“卡壳”？腾讯云用100毫秒沙箱打通“最后一公里”｜甲子光年

36. 厉害了，这个作者用 10 个 Clawdbot （OpenClaw）搭建了一个 Mission Control 的 AI 智能体团队。该系统通过在服务器上运行多个独立的 AI 会话，为每个智能体赋予了独特的性格和专业职能，使其能够像真实团队一样协作。为了解决 AI 缺乏长期记忆的问题，作者设计了基于文件的持久化存储机制和每 15 分钟一次的心跳任务循环，确保智能体能自动检查工作进度。核心架构还包括一个基于 Convex 开发的共享协作平台，让不同智能体能通过任务板、评论区和 at 功能进行跨角色沟通。这种模式将 AI 从简单的问答工具转变为能够自主处理研究、写作和开发任务的高效生产力集群。最后，作者还总结了从规模化管理到成本控制的实战经验，强调了明确角色分工与共享上下文在多智能体系统中的重要性。访问：x.com/pbteja1998/status/2017662163540971756#HOW I AI# #程序员#

37. 深度｜不止智能浏览！Fellou实现交互/任务/记忆三连通，重新定义AI时代生产力

38. 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

39. 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

40. 吉利全域AI2.0发布：一场关于“整车智能”的架构革命。在今年拉斯维加斯的CES上，吉利没有停留在功能层面的迭代，而是完成了一次智能汽车底层架构的根本性重构。全域AI 2.0的发布，有可能意味着汽车智能正式从“域控时代”迈入“整车大脑时代”。这场变革的核心，是一个名为 WAM（世界行为模型）的“整车大脑”。它并非又一个大型语言模型的简单上车，而是一个具备自我反思与进化能力的系统级认知框架。通过分层设计——上层进行宏观任务规划，下层执行精细推演与决策，并引入人类反馈进行价值对齐——WAM首次让汽车拥有了持续进化的“世界观”与“判断力”。智能汽车开始从“执行预设程序”转向“理解并适应真实世界”。在此基础之上，全域AI 2.0实现了 “智能体化”与“引擎化” 两大突破。吉利构建了“1+2+N”的多智能体协同框架，使得座舱、智驾、底盘等各域智能体能够像团队一样对话、协商与协作。同时，将感知、记忆、决策等基础能力沉淀为可被全域调用的“公共技术引擎”。这从根本上解决了以往各域智能“烟囱林立”、数据与能力割裂的问题，实现了整车智能的统一与协同。由此带来的体验革新是根本性的：Eva智能体，从语音助手进化为整车智能的 “感知-决策-执行中枢”，能够理解模糊指令、自主规划复杂任务链。千里浩瀚G-ASD，则成为全球“含模量”最高的智驾系统之一，其生成式模型范式与国宾级驾驶数据的融合，直指 “拟人化” 驾驶的终极目标，并计划在今年推送L3/L4高阶功能。可以说，吉利的这次进化，路径已经非常清晰：通过构建统一的整车认知与决策架构（WAM），打破域间壁垒（引擎化），调度智能体协同（智能体化），最终实现体验的质变（Eva & G-ASD）。这不仅是技术的升级，更是智能汽车开发范式的转变。当行业多数玩家仍在比拼硬件算力与功能清单时，吉利已经将竞争引向了 “整车智能架构” 的更高维度。2026年，或许正是移动智能体觉醒的元年。#全域AI能给汽车带来什么##吉利连续三年参展CES#

41. #鸿蒙电脑也是超能大脑# 鸿蒙电脑有了小艺确实是更聪明了！搭载HarmonyOS 6，它不再只是工具，而是你的AI智能体。告别繁琐操作，小艺就是你的“智能驾驭者”：它能自动处理文档、将信息秒变可用知识；会议记录无缝转文字，智能提炼要点，还能整合跨领域知识帮你生成深度报告；通过“碰一碰”实现文件、任务无感流转，工作效率瞬间拉满！小艺的AI能力，让你从工具使用者晋升为智能驾驭者，轻松应对复杂任务。这就是未来电脑的无限可能！

42. AI Agent 很火，但 Agent Infra 准备好了吗？

43. 人人都能炼专属Agent，上海交大开源端侧Agent全栈工具链，真实场景性能超GPT-5！

44. 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#

45. SubAgent 与 Skills：AI Agent 的两种扩展方式一句话解释 SubAgent 和 Skills 的区别：AI Agent 就像操作系统，Skills 就像应用程序，SubAgent 也是操作系统，不过预装了应用，并且像虚拟机一样运行，独立上下文。Skills 是一份“操作手册”。你招了个聪明的助理，但他对你的业务一无所知。每次布置任务，你都得从头解释流程、注意事项、工具用法。Skills 就是把这些知识写成文档，Agent 需要时自己去翻阅，不用你反复交代。比如我写了一个“给文章配图”的 Skill，它告诉 Agent：• 怎么分析文章找出需要配图的位置• 有哪些风格可选（科技感、温暖、极简……）• 怎么写图像生成的提示词• 图片存哪里、怎么命名Agent 启动时只记住“有这么个配图技能”，大概 100 个 token，真正要用时才去读详细内容。这叫“渐进式加载”，好处是装一堆 Skill 也不会撑爆上下文。SubAgent：开个虚拟机干活SubAgent 是独立运行的“专家助手”。它有自己的上下文窗口，相当于自己的“工作记忆”。干完活只把结果交回来，中间过程不会污染主 Agent 的思维空间。你是项目经理，手下有三个专家。你不需要盯着他们每一步操作，只需要告诉他们任务目标，等他们交报告就行。一个真实案例：给文章配图假设我写完一篇文章，想配三套不同风格的插图方案，让用户自己选。如果只用 Skills：主 Agent 分析文章 → 设计三种方案 → 调用画图 Skill 画第一套 → 画完再画第二套 → 再画第三套问题来了：1. 上下文爆炸：三套图的生成过程全堆在主 Agent 的“脑子”里，几十张图的提示词、中间结果、错误重试……全占着位置2. 速度慢：必须一个接一个画，串行执行如果用 SubAgent + Skills：主 Agent 分析文章 → 设计三种方案 → 同时启动三个 SubAgent每个 SubAgent：• 预装了“画图 Skill”• 拿到文章路径和自己负责的方案• 独立去读文章、生成提示词、调用画图工具、插入图片• 完成后只返回：新文章的 URL + 简短摘要主 Agent 这边呢？上下文干干净净，只有三个结果链接。用户想看哪套，再去读取对应的 URL。什么时候用哪个？用 Skills：• 任务简单，主 Agent 全程掌控• 需要的知识可以复用• 想节省上下文，按需加载用 SubAgent：• 子任务复杂、耗时长、中间过程繁琐• 需要并行处理多个独立任务• 想保持主 Agent 的“思维清晰”一句话总结Skills 是应用程序，装在主系统里按需调用；SubAgent 是虚拟机，独立运行完再把结果交回来。任务简单用应用，任务复杂开虚拟机。

46. 《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

47. Manus被Meta收购，这是中国AI路线的一次胜利。 #大咖观察 #红衣聊AI #manus #Meta #agent

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. 真正的系统级Agent！这个桌面上的AI能帮你全自动干活

50. 拆解路子最野的AI出海生意，用开源AI快速跑通完整工作流

51. 一个针对跨境卖家的AI智能体

52. AI Agent 的工作原理和架构是什么？

53. Shopify：构建生产级智能体系统的经验

54. Clawdbot 之后，我们离能规模化落地的 Agent 还差什么？

55. 超能小艺，一用就爱！华为Mate80把拥抱AI时代的入口直接送到掌心✨今年走过十几个国家，我的行囊永远有两样东西不会少：护照，和那台陪我踏遍山河的华为手机。而今天，小艺全新升级，真的让我惊喜 —— A2A智能体协作带来和传统AI助手截然不同的体验，无处不在的智慧体验！✅ 一句话，多智能体协同响应：“用深航订巴塞罗那机票，再用喜马拉雅找西方通史播客，最后总结重点”——小艺联动多个鸿蒙应用智能体，像指挥团队一样为你服务。✅ 小艺输入法：实时识别输入的文字并转译，无障碍地享受和世界对话的快乐～✅作为旅行博主觉得最贴心的还是小艺的对话式修图，几秒就出能大片……无论是生活琐事还是办公出行，小艺都能调用各类鸿蒙应用智能体协同处理，这不是普通AI助手，而是鸿蒙生态下的 “隐形超能协作团队”。将我们的时间与精力，归还给旅行中最本真的探索与创造—— 这大概就是小艺让我 “一用就爱” 的原因。#华为折叠屏首发A2A智能体协作##小艺##华为Mate80# 梁亦同的微博视频

56. 99%的人都搞错了AI Agent？智能体该如何帮企业赚钱？

57. 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

58. AI智能体也卷起来了？又懂业务又不用搭工作流…

59. 从失败中学习，榨干经验包，实现性能飞跃 ——Google Agent研究

60. #大V聊车#2025 年 10 月 11 日，滴滴自动驾驶的融资消息打破了行业平静 ——20 亿元 D 轮资金到账，累计融资超百亿人民币。新名单里，中关村科学城基金、北京信息产业基金等带国资背景的新面孔格外显眼，再加上老搭档广汽集团的追加投资，这笔钱的用途很明确：砸向 AI 研发，为 2026 年北京、广州的 Robotaxi 示范运营铺路。#汽车资讯##汽车科技# 锐车小叔的微博视频

61. 《智能体设计模式》第六章「规划模式」完成翻译了，目前已翻译章节：00 - 前言部分网页链接01 - 第一章：提示链模式网页链接02 - 第二章：路由模式：网页链接03 - 第三章：并行模式网页链接04 - 第四章：反思模式网页链接05 - 第五章：工具使用模式网页链接06 - 第六章：规划模式网页链接规划模式让智能体具备前瞻性思维能力，能够将复杂任务拆解为更小且可管理的步骤，并制定实现预期结果的策略。通过规划能力，智能体不再只是对眼前输入作出反应，而是能够自主规划从初始状态到目标状态的完整路径。这里为大家梳理几个关键要点：1. 核心理念：从被动响应到主动规划规划模式的核心在于建立「理解目标 → 制定计划 → 执行步骤 → 灵活调整」的智能流程，让智能体具备战略性、目标导向的执行能力。- 传统模式的局限：基础智能体只能对眼前输入作出反应，缺乏处理复杂多步骤任务的能力，无法将高层次目标拆解为可执行的子任务。- 规划模式的价值：智能体能够接收高层次目标并自主拆解为有序的执行步骤，在遇到阻碍时灵活调整路线，从而有效处理包含多个步骤和相互依赖的复杂任务。2. 规划的关键特征规划模式通过以下特征实现智能化的任务执行：- 目标驱动：接收高层次的目标声明（做什么）而非具体指令（如何做」，由智能体自主决定实现路径。- 即时生成：计划不是预先存在的，而是根据当前状况和目标要求即时生成的。- 灵活应变：初步计划只是出发点，智能体能够接纳新信息并在遇到阻碍时动态调整策略。- 结构化分解：将复杂目标拆解为一系列更小、可执行的步骤或子目标，按逻辑顺序处理依赖关系。3. 典型应用场景规划模式在四大领域展现出核心价值：- 流程自动化：编排复杂工作流，如新员工入职流程，包括创建账户、分配培训、部门协调等有序子任务。- 机器人与自主导航：进行状态空间遍历，生成从起始状态到目标状态的最优路径，同时遵守环境约束。- 结构化信息整合：生成研究报告等复杂输出，规划包含信息收集、数据归纳、内容结构化、迭代打磨等阶段。- 多步骤问题解决：制定并对系统化流程进行诊断、实施解决方案，并在必要时升级处理。4. 实现框架与特点- CrewAI：通过定义明确的智能体角色和任务，支持先规划后执行的工作流，适合结构化的多步骤任务。- Google 深度研究：利用多步骤动态迭代流程，把用户提示拆解为研究计划，循环执行搜索与分析，生成带引用的结构化报告。- OpenAI 深度研究接口：提供编程化控制能力，支持 MCP 协议连接私有知识库，展示完整的中间步骤（推理、搜索、代码执行）。5. 使用时机与权衡当任务复杂度超出单一操作范围时，应当使用规划模式，但需要权衡灵活性与可预测性：- 适用场景：任务需要多个相互依赖的步骤才能完成；「如何做」的方案需要探索而非已经明确；需要自动化处理复杂的工作流程；需要生成全面、综合的结果。- 权衡考量：当问题的解决方法已经清楚且可重复时，固定流程比动态规划更有效；规划增加灵活性的同时也引入了不确定性；需要在自主性和可预测性之间找到平衡。- 核心价值：将智能体从简单的被动响应者提升为战略性、目标导向的执行者，能够管理复杂流程并产出全面综合的结果。项目：github.com/ginobefun/agentic-design-patterns-cn/blob/main12-Chapter-06-Planning.md#人工智能##程序员#

62. #上班要显贵效率才是搭配# “这个需求很复杂，AI搞不定？”中国电信星辰超级智能体笑了：我来！它能自主拆解超长流程任务，规划步骤、调用工具、还能无缝对接你的OA/ERP系统。最关键的是，这一切都在企业内网安全围栏内完成，敏感数据出门？不存在的！这才是老板放心、员工开心的真·企业级智能体！#科技感拉满的北京有多亮眼# 总裁精粹的微博视频

63. 多智能体上岗元年

64. 2026 年智能体架构综述

65. 2026开年AI智能体技术爆发

66. 2026生存指南

67. 展望2026 | AI数据分析有望走进多智能体（Multi Agent）时代

68. 多智能体系统崛起

69. 2026年人工智能趋势

70. 【双语音】AI 趋势 2026

71. AutoGen

72. AutoGen

73. AutoGen

74. Anthropic最新思考，什么时候才真的需要构建多智能体？

75. Multi-Agent全面爆发！一文详解多智能体核心架构及LangGraph框架

76. Multi-Agent框架如何破解汽车金融业务流程难题？| 创新场景

77. 你还在重复搬砖？大模型 Agent 这 5 个实战场景，直接解放双手！

78. 谷歌发布321个Agent落地案例

79. 如何实现智能体协同提升工作效率？

80. 智能体技术加快多场景应用

81. Agentic设计模式（7）

82. MCP智能体是什么？聚焦教育行业多智能体协作新范式

83. Multi-Agent Collaboration（多智能体协同模式）

84. 智能体

85. 离谱！现在的Agent都卷成100个成团了？3分钟并行干完5个复杂任务

86. 比OpenAI更Manus，实测Kimi新上线多核Agent集群

87. K2.5实测

88. Agent集群模式

89. 一人指挥千军万马！Claude刚发布的“蜂群战术”，普通人现在就能用了，实测太狠了！

90. Claude Cowork + Agent Teams 混合工作流实战

91. 从"聊天"到"组团办大事"

92. CC本次更新最强的不是OPUS4.6，而是Agent Swarm(蜂群） - 哔哩哔哩

93. ①Agent Swarm-Kimi K2.5 技术报告解读

94. OpenClaw Agent PK Agent Teams

95. Kimi Agent 集群实测

96. 智能体深度解析

97. AI Agent重塑未来产业格局—解读中国工业互联网研究院《AI Agent智能体技术发展报告》

98. Multi-Agent（多智能体）如何重构B端工作流？

99. CrewAI的“多智能体”幻象

100. CrewAI 上手攻略

101. 欧洲最大CX公司押注AI Agent:CrewAI如何改变客服行业?

102. AI 复仇者联盟 - CrewAI凭什么让AI代理像团队一样工作？1800万美元融资背后的秘密

103. 41K! AI代理爆款框架！让多个AI“组队打怪”，复杂任务轻松搞定！

104. 韩博士讲大模型16

105. 来自20亿次智能体自主工作流的经验教训

106. 2025 年顶级 AI Agent 框架全景

107. WiseAgent智能体框架实战之CrewAI篇(一) ｜CrewAI 框架详解与医院导诊智能体项目规划

108. 来自20亿次智能体自主工作流的经验教训

109. 对微软开源的AutoGen框架（v0.4.0）进行了一次深度技术审计

110. 多智能体高阶使用

111. 多智能体协作（Multi-Agent Collaboration

112. 多智能体系统怎么分工才不内耗？一张“职责矩阵”解决80%混乱

113. 深入解析多智能体（Multi-Agent）系统的应用场景与架构模式

114. GitHub爆火！40.7K星开源框架CrewAI

115. AI算法大模型面试 | 多agent怎么协作

116. 别再往一个智能体里塞功能

117. 大语言模型技术百科

118. Multi-Agent

119. 多智能体LLM系统

120. 基于文本AI的终结？Agent协作可直接「复制思维」，Token效率暴涨

121. 【他山之石】IEEE | LLM Agent的能力边界在哪？首篇「图智能体 (GLA)」综述为复杂系统构建统一蓝图

122. 【行业观察】从“规模化落地元年”进入“商业爆发期”！2025年全球AI Agent行业发展回顾及2026年展望

123. AiAgent最新进展

124. 展望2026

125. 中国工业互联网研究院

126. 报告 | 2025 AI Agent 智能体技术发展报告

127. Gartner预测2026！多智能体，正在让企业变成 “超级协作体”

128. 《AI Agent 智能体技术发展报告2026》

129. Skills vs 多智能体，谁才是复杂任务的最优解？

130. 多智能体训练旨在提高复杂任务中的协调性

131. 多智能体协作的真实力量:复杂任务的边界与智能社会的雏形

132. 自主智能体爆发

133. 破解多Agent协同难题，实在智能交出全新答卷

134. 多智能体协同办公。这是一个面向深度研究的多智能体协作系统，通过专业化分工和质量控制机制，能够高效生成高质量的研究报告。智能体角色与协作关系 Web search Agent（网络搜索智能体）工具：linkup Web Search Tool 职责：执行网络搜索，收集研究所需的原始信息输出：Research notes（研究笔记） Analyst Agent（分析智能体）职责：深度分析研究笔记内容，提取关键信息和洞见输出：Analysis（分析报告） Writer Agent（写作智能体）职责：基于审核通过的笔记和分析结果，撰写结构化研究报告输出：Final response with citations（带引用的最终报告）多智能体协调底部标注"Orchestrated with crewai"，表明使用crewai框架协调多个智能体协作智能体各司其职，形成"搜索→分析→写作"的专业化分工流程架构优势：专业化分工：不同智能体专注于特定任务，提升整体研究质量质量控制：引入笔记审核机制，确保研究基础质量引用支持：最终报告包含引用来源，保证研究可信度全流程自动化：从信息收集到报告生成，全程无需人工干预该系统特别适合深度研究场景，例如：学术文献综述：自动收集、分析相关研究并生成综述报告市场调研报告：收集市场数据、分析趋势并撰写结构化报告技术可行性研究：评估新技术的发展现状和应用前景竞品分析：收集竞争对手信息并进行深入对比分析 #cursor #MCP #Agent #AI #AI产品经理

135. AI Agent 行业落地案例汇编（2025 最新）

136. 玩花了！有人打算用37个Agent实现产品从PRD到上线!

137. 基于大模型的多智能体系统最新前沿工作汇总(23~25)

138. 全球视野：透视 OpenAI 与微软：巨头们是如何布局 Agent 调度生态的？

139. 微软开源多智能体协作框架AutoGen：像组建公司一样，打造会“开会”的AI团队

140. AutoGen 全面指南：微软开源多代理框架

141. AutoGen v0.4.3 更新：缓存与 GraphRAG 集成

142. 2026年AI Agent产业全景与商业化落地报告

143. Semantic Kernel + AutoGen = 开源 Microsoft Agent Framework

144. “多智能体”上岗元年将至

145. 11.19-3|LLM深度互动交互能力提升；跨设备多智能体交互，任务星座与互动协议

146. 多元数据治理+Agent 协同应用，助力工业车辆智能化运维效率提升——北京人工智能产业联盟人工智能治理案例

147. 基于Rust的开源智能体开发框架AutoAgents，了解一下

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

149. AutoGen框架入门:5个核心概念搭建智能体协作系统

150. 2026年AI Agent开发完全指南:多模型调用+工具编排+88API统一接入实战

151. 运维大模型与人工智能Agent协同的大型装备智能维护与排故系统LLMAgent-PHM

152. 火山引擎 veRL（结合 HiAgent 和豆包大模型生态）成功商业落地案例

153. 拒绝传统 Router“瞎指挥”，多智能体如何实现智能任务分配？

154. 首次公开！重构智能体生产！无问芯穹推出基础设施智能体蜂群

155. AutoGen 多Agent代码技术总结

156. CrewAI上手攻略：多Agent高效实现智能协作

157. 基于大模型和多智能体的智能维护算法模型自动生成系统LLMAgent-PHM

158. Replit发布Agent 3智能开发助手，具备增强的上下文理解、迭代推理和目标驱动行为模式，可自主完成多步骤任务

159. Multi-Agent系统是如何协作完成复杂任务的？

160. 智能体通信2026年技术展望

161. Al智能体框架选型战略指南

162. 2026年，AI智能体开始走向真正的规模化应用！

163. 如何让 CrewAI 成功调用国产大模型（如 SiliconFlow）

164. 2025年AI Agent国内外行业发展全景

165. 2026AIAgent智能体技术发展报告

166. 解锁智能体AI的力量：CrewAI，领先的开源平台

167. 工业Agent如何解决制造业痛点？

168. 昆仑万维开源逆天AI智能体，复杂任务全自动搞定

169. 别再只会调接口了，用 AutoGen 玩真的多智能体

170. 一个人太忙？那就让智能体组个团队！零基础入门LangChain V1.0多智能体系统

171. AI员工开始组队：Kimi Agent 集群实测

172. 到底什么是智能体(Agent)？从LLM+Tools到多智能体架构的技术难点全解析

173. 基于大模型与多智能体的智能维护算法模型自动生成系统 LLMAgent-PHM

174. AI+Agent+智能体技术发展报告

175. crewai+ollama部署方法（2）

176. AAAI-26论文|基于信息价值的多智能体低延迟通信框架

177. 咕泡云课堂—AI大模型爆火Agent(打造专属LLM智能体) - 哔哩哔哩

178. AutoGen：多智能体协作，AI应用新范式

179. 多智能体系统架构解析

180. 吴恩达同步最新AI课，第97讲：使用 CrewAI 设计、开发和部署多代理系统，CrewAI多agen全攻略，38节课带你精通CrewAI，打造企业级智能体

181. 搞懂论文逻辑链之Agentic Systems - Multi-agent Architecture Search via Agentic Supernet

182. 微软AutoGen框架介绍

183. 10 个让多智能体系统更稳健的实操建议

184. LLM之Agent（三十九）｜AI Agents（八）：构建Multi-Agent系统

185. 从发票处理到客户服务：Agent在企业自动化中的应用案例

186. 极客时间多模态Agent开发实战营 - 哔哩哔哩

187. 拒绝“人工智障”：Multi-Agent系统的失控处理

188. AWorld 企业级 Multi-Agent 框架深度解析：多智能体协作 + MCP工具 + 强化学习训练｜AI Agent｜智能体教程｜AI大模型

189. CrewAI 深度剖析 —— 与自建 Agent 系统的差距在哪

190. 多智能体系统架构设计：从单智能体到AI团队的四种协作模式与技术演进

191. AI时代的品牌增长日记·第26篇｜Agent越来越傻瓜，Kimi 都出Agent集群帮你干活了！

192. 2026年，AI+数据分析有望迎来多智能体时代

193. AI Agent常用框架对比(LangGraph、CrewAI、AutoGen、LlamaIndex、metagpt)

194. 从 CrewAI 到 KAgent：部署你的定制 AI 代理

195. 2026年构建AI智能体的最佳平台 💻 如果你正在研究AI智能体、自动化或多智能体系统，这些工具值得了解： - LangChain——适合构建带有记忆和工具的自定义智能体 - AutoGPT & AgentGPT——可自主规划并执行任务的智能体 - CrewAI & AutoGen——非常适合多智能体协作 - MetaGPT & SuperAGI——能高效处理复杂的智能体工作流 - Rasa & Botpress——集自动化与对话式AI于一体 - n8n——可投入生产环境的对话式AI工具 - Mastra & SmolAgents——轻量级且对开发者友好这些平台的适用场景包括： AI智能体开发自动化任务大语言模型应用多智能体系统 AI工作流 Python+AI项目把这篇内容收藏起来以备后用 ✨ 如果你正在学习AI，点个赞吧 ❤️ #AI #AIagent #AI智能体

196. Palantir重塑人机协作，Multi-Agents不再是demo

197. 直播预告 | 2026趋势预测：多智能体协作下的新一代数据治理

2026多智能体协同爆发元年：任务效率提升4-5倍，主流框架已具备生产级能力

精选参考来源