多智能体协作效率真相：2026年AI落地关键路径与任务适配指南_服务软件

1. 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

2. 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

3. 《Towards a Science of Scaling Agent Systems》在多智能体系统（MAS）与单智能体系统（SAS）之间，究竟何时“多代理合作”能真正提升性能？《Towards a Science of Scaling Agent Systems》为我们揭示了首个定量科学框架，系统探索了代理数量、协调结构、模型能力与任务属性之间的复杂交互。核心发现如下：1. 工具协同的权衡博弈任务中工具种类越多，MAS的协调开销越大，反而可能拖累整体效率。例如在复杂工具环境下，单智能体因无额外通信开销，反而表现更佳。这打破了“多代理越多越好”的迷思。2. 能力饱和阈值当单智能体基线准确率超过约45%时，增加代理数反而出现负收益，协调成本超过性能增益。说明高水平模型不一定适合盲目扩展多代理协作。3. 架构相关的误差放大效应独立代理系统因缺乏交叉验证，错误传播可达单体的17倍，严重影响结果质量；而集中协调架构通过协调者检验，能将误差放大控制在4倍以内，显著提升鲁棒性。4. 任务结构决定最佳架构 - 并行可分解的任务（如金融分析）中央集权架构优势明显，性能提升高达80.9%。 - 动态环境中的高熵搜索任务（如网页浏览）去中心化架构表现最好。 - 严格的顺序依赖任务（如Minecraft规划）所有多代理架构均表现不佳，甚至退步达70%。5. 性能与成本的非线性关系多代理系统的推理轮数随代理数量呈超线性增长（幂律指数约1.7），固定预算下，单代理的有效推理能力将被稀释，限制了实际可扩展的团队规模至3-4个代理。6. 模型能力的加速回报智能指数的平方项显著正相关，表明能力越强的模型，升级带来的性能提升呈加速趋势。7. 冗余带来的边际效益有限多代理中的任务分工冗余虽有助于错误校正，但其贡献远小于协调开销带来的性能损失，强调了高效协调设计的重要性。此外，研究搭建了180种配置的严格对照实验，涵盖三大主流LLM家族（OpenAI、Google、Anthropic）与多种协调拓扑结构（独立、集中、去中心化、混合），跨四类多样化任务（金融分析、网页浏览、游戏规划、工作流执行），确保结论在任务和模型间的广泛泛化。这项工作首次提出一个可预测性能的混合效应模型（交叉验证R²=0.513），能够基于任务的工具复杂度、单体基线表现及协调效率，准确预测最优的代理架构，指导科学合理地部署多代理系统，告别经验主义。启示与展望：- 多代理系统不是“越多越强”，而是“适合的架构+匹配的任务结构”带来实质收益。- 任务的顺序依赖性、工具多样性和环境动态性是决定多代理成败的关键。- 协调设计需兼顾效率与错误控制，避免过度通信导致的性能灾难。- 未来研究应探索异构模型团队、工具访问调度及多模态环境中的协调机制，突破当前规模和效率瓶颈。这篇论文为多智能体系统的科学化设计奠定了坚实基石，为实际部署提供了首个可量化、可预测的理论指导，推动从“更多代理”走向“更优协调”的智能体发展新阶段。详细阅读请见：arxiv.org/abs/2512.08296

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. 谁懂跨APP切换的繁琐？#华为折叠屏首发A2A智能体协作# 华为Mate X7首发A2A智能体协作，直接终结传统操作痛点！工作上，一句指令就能联动邮件、日程、文件、数据智能分析，自动完成分析；生活里，喊一声“规划周末亲子游”，订票、订酒店、查路线智能体无缝协同，甚至复购猫粮都不用翻订单。无需手动切换系统，多个应用智能体自动分工协作，个性化需求精准响应。从值机选座到行程规划，从办公协同到生活琐事，Mate X7化身全场景智能中枢，让每一次指令都直达结果，高效又省心～

6. 为什么说以后好好读书才能进工厂？ #美的工厂大脑 #首个智能体工厂

7. 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

8. 「Github一周热点91期」deepseek OCR、量化交易工具、Notebook开源替代、Linux换源工具、Windows优化项目和API 客户端

9. #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！

10. #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

11. 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#

12. 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#

13. Meta新任副总裁：Manus创始人肖弘，90后

14. 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

15. #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。

16. 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

17. 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！

18. 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

19. 华为Mate X7首发搭载鸿蒙6带来的三大黑科技体验，正在用实际表现告诉你#华为MateX7的大屏AI有多强#！首先分屏联动，边看攻略边导航，互不干扰，多任务处理效率更进一步；A2A智能体协作，又让小艺化身“手机指挥官”，一句话就能调度多个应用智能体，轻松实现“说一句话，办多件事”；而小艺慧记，支持AI实时录音转写，就可以让会议重点一目了然，并且还能跨设备提醒，堪称办公神器。不难看出这种不仅于解答，更能帮你做事的AI能力，才能真的称为智能协作者！

20. #华为折叠屏首发A2A智能体协作# 华为Mate X7这次要玩个大的，首发A2A智能体协作，这可不是小打小闹，是真真正正的把小艺智能体从“单打独斗”升级到了“团队作战”！以后你用Mate X7，再也不用在各种APP之间来回切换了。想办什么事，一句话搞定！比如工作上，你让小艺帮你处理邮件，它会自动联动日程和文档智能体，一条龙服务，效率直接拉满。生活中也一样，出行、支付、家居这些智能体都能听你指挥，从出门到回家，全程帮你安排得明明白白。简单来说，Mate X7这次是直接打破了应用之间的壁垒，变成了一个真正的全场景智能中枢。以后用折叠屏，就不再是用一个大屏手机那么简单了，而是进入了一个全新的智能交互时代。

21. 什么是 AI 智能体？

22. 论文 Fundamentals of Building Autonomous LLM Agents，系统性地梳理 “如何构建一个真正具备自主性的 LLM 智能体”，也就是从「语言模型」走向「智能体」（而不仅仅是增强的聊天机器人／工具调用系统）。论文提出希望解答以下几个研究问题（RQs）：（1）设计空间（Design space）：核心子系统（感知／推理／记忆／执行）有哪些可选方案？如何系统化组织？（2）子系统整合（Integration）：在现实软件环境（比如 GUI、web 任务）中，这些子系统如何闭环协作？（3）推理效能（Reasoning efficacy）：不同推理策略（如 Chain-of-Thought、Tree-of-Thought、并行规划等）对任务成功率、效率、成本有什么影响？（4）记忆影响（Memory impact）：短期／长期记忆机制（例如 RAG、上下文管理）怎样提升模型在长时程任务或大上下文任务中的表现？（5）失败模式与缓解（Failures & mitigation）：代理在哪些方面容易失败（如幻觉、GUI误定位、重复循环、工具误用）？有哪些缓解技术？（6）评估与泛化（Evaluation & generalization）：有哪些基准／指标适用于评估此类代理？代理能在多任务、多界面条件下泛化吗？★ 核心架构论文将一个具备自主能力的 LLM 智能体拆解为以下四大模块：1. 感知（Perception）系统2. 推理／规划（Reasoning／Planning）系统3. 记忆（Memory）系统4. 执行（Execution）系统★ 感知系统感知系统是智能体“看／听／感知环境”的部分。论文提及四种主要方式：文本感知、多模态感知、结构化数据／信息树感知、工具辅助感知。- 文本感知（Text-Based）：环境以纯文本形式输入，LLM 直接处理。这种方式代价最低，但只适用于文本驱动的场景。- 多模态感知（Multimodal）：环境包含图像／视频＋文字，使用视觉‐语言模型（VLM）或多模态 LLM（MM-LLM）将视觉输入编码为与文本兼容的向量。- 结构化数据／信息树（Information Tree / Structured Data）：例如 GUI 的 Accessibility Tree、HTML DOM 树，将界面元素结构化地输入模型。- 工具辅助感知（Tool-based）：智能体调用外部 API／工具获取环境信息（如网页检索、数据库查询、传感器数据等）然后将结果反馈给 LLM。论文还指出感知系统的关键挑战：例如图像识别中模型可能“幻觉”对象、上下文窗口受限、高计算／延迟成本、数据收集困难等。★ 推理系统推理系统是智能体“思考／规划／决策”那部分。论文讨论了多种方法：- 任务分解（Task decomposition）：把大任务拆成子任务。包括“先分解再规划”（Decomposition first）和“交错分解”（Interleaved decomposition）两类。- 多方案生成与选择（Multi-plan generation & selection）：代理生成多个可能方案（如通过 Tree-of-Thought, Graph-of-Thought, LLM-MCTS 等）然后选择最优一个。- 反思（Reflection）：智能体在执行后或执行途中反思自己的决策／行动，识别错误并改进。甚至“预反思”（anticipatory reflection）在执行前预测失败。- 多智能体系统（Multi-agent systems）：将推理分为多个“专家”模块（Planning Expert、Memory Expert、Error Handling Expert 等），各司其职、协同完成。★ 记忆系统记忆系统使智能体不仅“即时反应”，还能“记住过去、用过去指导未来”。论文区分短期记忆与长期记忆。- 长期记忆（Long-term memory）：如将经验固化、使用 Retrieval-Augmented Generation（RAG）从外部知识库检索、将结构化数据（如 SQL 数据库）用于查询。- 短期记忆（Short-term memory）：通常是 LLM 的上下文窗口中的“当前任务状态”。- 应存储的数据类型：成功经验、失败经验、动作轨迹、环境反馈等。将“失败”经验也显式记录有助于避免重复错误。- 记忆系统的挑战包括：上下文窗口限制、检索噪声、长期记忆如何更新与维护、如何避免“记忆漂移”等。★ 执行系统执行系统是智能体“将内部决策落实为环境动作”的部分。论文谈到执行系统要支持工具调用、API／代码生成、物理操作、GUI 控制等。具体维度包括：- 工具与 API 集成（Tool and API Integration）- 多模态行动空间（Multimodal Action Spaces）——例如 GUI 控制、视觉界面操作、机器人控制、代码执行等。- 整合挑战（Integration Challenges）——例如如何让决策结果真正映射到动作、如何反馈结果、如何监控执行失败／成功。论文：arxiv.org/abs/2510.09244#ai创造营##程序员#

23. 为什么鸿蒙座舱5可以把交代的事办得干净利落？看完MoLA智能化架构后我懂了

24. 「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

25. 【#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。

26. Anthropic：高效构建 AI 智能体的上下文工程

27. 理想汽车 CTO 谢炎在 2025 云栖大会|开幕式圆桌会议做了分享，其中就包括大家关注的理想AI、VLA、芯片这三个领域内容:1. 理想汽车的AI战略与架构布局。谢炎表示，智能与新能源对未来车企的重要性是同等的，因此理想汽车超过 50% 的研发投入都放在人工智能领域，形成了差异化的战略路线。在架构设计上，理想将AI布局划分为三层：底层是高效的车端推理系统，涵盖芯片、操作系统、通信组件和上层服务的整合，目标是实现更高效率、更低成本和更强算力，支撑核心的自动驾驶任务；中层是VLA基座模型，既要让汽车具备理解三维世界的能力，又要具备人类常识和推理规划能力，理想同时与外部大模型团队开展合作；顶层则是具体应用，包括「AI驾驶员」，相当于每辆车标配的智能驾驶代理，以及「座舱管家」，能打通地图、音乐、外卖等互联网服务，满足用户出行与生活场景需求。通过三层垂直整合，理想强调技术从底到顶的联合设计，以追求极致的产品体验。⸻2. 为什么理想汽车坚持做VLA？在自动驾驶行业中，是否需要语言模型一直存在争议，但理想坚持推进VLA的原因主要有两点。第一，随着自动驾驶技术的演进，车辆必须应对越来越多corner case，这些低概率但复杂的情况无法仅靠大规模数据采集来解决，需要具备人类式推理能力的智能驾驶员。由于图像存在高噪声、不利于逻辑推理，而文字天然适合逻辑和抽象思维，因此语言模型成为关键。第二，从用户体验角度，智能驾驶必须让乘客感受到「像人一样思考」，否则即便安全也可能让人觉得不适。大语言模型通过学习人类海量文本，不仅能生成语言，也能形成接近人类的思维模式，使自动驾驶的行为更贴近人类直觉，提升信任感和舒适度。这些原因使理想坚定地将语言能力引入到自动驾驶核心架构中。⸻3. 为什么理想汽车要自研车端推理芯片？随着VLA和大规模AI模型引入车辆，Scaling Law「规模定律」开始发挥作用，模型的智能提升依赖于更大规模和更长推理链条，这使得车端算力需求呈指数级上升。现有芯片供应商难以满足这种演进需求，因此理想选择自研车端推理芯片，以保证长期自主可控的发展路径。同时，理想认为在推理计算上，可能存在比GPU更高效的架构，因此正在探索新的技术方案。自研芯片不仅能实现更高效的推理，还能帮助理想更好地进行软硬件一体化设计，优化功耗、成本和实时性能。谢炎也特别强调，车端与云端算力体系并不完全相同，云端可能采用另一套解决方案，而车端必须以极致优化为核心目标。因此，自研芯片是理想在智能化战略中不可或缺的探索与投入。#理想汽车##微博新知博主# #理想i6上市# 德卤爱开车的微博视频

28. Cursor 如何将其编程智能体投入生产环境

29. 大模型（LLM）和智能体（Agent）有什么区别？

30. 99%的人都搞错了AI Agent？智能体该如何帮企业赚钱？

31. 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

32. 【享拆】夸克AI眼镜S1拆解：极致轻量化，藏在镜腿里的黑科技！

33. 给AI一个“身体”：3D数字人或是具身智能的解法？【硅谷101】

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

35. 华为Mate X7 系列的售价出炉，符合预期吗？看点的是首发的A2A智能体。比如说，它支持的AI动态图书，让书动起来这功能还挺好的。看图书本来就比较枯燥，能动能跑，明显减少乏味感... #华为折叠屏首发A2A智能体协作# A2A智能体还可以串联多个应用智能体，一句话就能完成多任务执行，实用性有提高。

36. #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。

37. 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#

38. 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#

39. 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

40. 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」

41. Agent-Kernel ，浙大搞得一款用户友好的多智能体系统开发框架，深度赋能大规模社会模拟，为探索大规模群体智能提供无限可能。github.com/ZJU-LLMs/Agent-Kernel/Agent-Kernel 支持：运行时动态增减大模型智能体；智能体数量无限扩展；模拟过程中实时干预；智能体行为和大模型输出的验证与审查；跨模拟场景代码复用。Agent-Kernel 已成功应用于多个复杂的社会模拟场景：图1 25 号宇宙，模拟著名的“25 号宇宙”社会学实验，以探索人口密度、社会结构与行为异常之间的关系。图2 浙江大学校园生活，构建高保真度的校园环境模拟，用于研究行人流动动态、资源分配和社会互动模式。#AI创造营##科技先锋官#

42. 国内首次！8.9毫秒推理速度破纪录，1元打穿百万token

43. 全面战胜ReAct！斯坦福全新智能体推理框架，性能提升112.5%

44. PettingLLMs: 在verl的基础上支持通用的多智能体强化学习训练

45. 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

46. 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

47. 「Github一周热点101期」IT咖啡馆的开源项目，cowork的开源替代大批出现

48. #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。

49. #科技先锋官# Meta以数十亿美元收购中国AI智能体公司Manus这一Meta史上第三大收购案，不仅折射出AI行业的商业竞逐逻辑，更彰显了核心技术的战略价值，也让AI智能体再次成为关注焦点这是一场精准的双向奔赴。Meta深陷AI应用落地困境，自研大模型表现不及预期，元宇宙战略消耗巨额资金，亟需成熟技术补位；而Manus虽9个月实现1亿美元营收，却受困于指数级增长的算力成本与全球合规压力，Meta的算力资源、全球社交生态与合规体系成为关键吸引力。此次收购或将引发行业并购潮，加速AI赛道巨头整合格局。Manus的多智能体协同架构是核心竞争力。不同于传统单一模型，其通过规划、执行、验证三大子代理分工协作，在GAIA基准测试中复杂任务完成率达94%，超越OpenAI同类产品。这种全链路自动化能力，恰好能串联Meta的大模型、VR/AR硬件与社交生态，构建“技术加场景闭环。AI智能体可理解为自主办事的AI助手，能主动拆解任务、调用工具并交付成果。Manus的案例证明，中国团队已在该领域掌握顶尖技术，但算力与合规瓶颈也暴露了初创企业的成长困境。此次收购既是中国AI技术实力的认可，也为行业发展提供了技术商业化的全新范式。#一条vlog回顾2025##AI创造营##AI创作热点# 种斌Marco的微博视频

50. Shopify：构建生产级智能体系统的经验

51. 【从规则系统到智能体】在"State of Agentic AI: Founder’s edition"文章里看到的这句话，很准确地讲述了AI 智能体的优势「AI 智能体更擅长处理需要认知能力、推理和适应性的复杂、动态和非结构化任务。与遵循僵化、预定义规则的 RPA 不同，AI 智能体可以朝着一个目标进行推理，动态地即时决策，并随着时间的推移学习或改进——这使它们能够处理边缘情况 (edge cases) （也就是意料之外的特殊情况）和环境变化而不会“罢工”」最近在设计一个系统来尝试从日志和其他各种输入条件中，推断问题根本原因，也需要在规则还是智能体之间决策，最终决定还是走智能体的路线，最主要的思考点也是如何处理长期可能存在edge case，虽然短期内用规则可以稳定地跑个小半年，但是随着人员和系统的演进，规则会需要不断地调整和优化，以适应系统的变化。但智能体"可能"不需要。这其实也是规则系统和智能体之间的不同之处↓1. 从规则到目标：认知能力的引入RPA 的核心在于“规则执行”，而 AI 智能体的核心在于“目标导向”。前者关心的是如何执行，后者思考的是为什么执行。这种差异的根本在于：AI 智能体具备了“认知能力”——它能够理解任务上下文、评估环境状态、权衡路径，并根据目标进行推理与规划。我们给智能体设计的是一个目标和约束规则，智能体可以在我们设定的目标和框架内"有意识"地，对各种情况进行灵活处理。比如一个客服智能体，设计的目标如果是让客户满意，智能体可能会自己判断用户说话的语气和心情，进行灵活的应答。2. 从静态到动态：应对不确定性的能力传统自动化的假设前提是环境稳定、流程可预测。但现实世界往往恰恰相反：数据缺失、输入异常、系统变化、边缘案例频出。RPA 在这种情况下就像在固定轨道上运行的火车，一旦轨道错位，便无法前行。AI 智能体的关键特性在于适应性。通过持续学习与动态推理，它能够在面对不确定性时，仍然“保持行动”。比如，一个采购智能体在遇到新供应商流程时，不会立刻失败，而是通过知识库与反馈机制自行更新策略。这意味着系统不再“被动执行”，而是具备“自我修正”的能力。3. 从执行到进化：持续学习的闭环AI 智能体的强大之处不止在于智能决策，更在于长期的自我演化。RPA 的生命周期是线性的：开发 → 测试 → 部署 → 维护。而 AI 智能体的生命周期是循环的：感知 → 推理 → 行动 → 学习。这种循环形成了“认知闭环”，让系统能够随着时间推移而变得更强。例如，在销售预测场景中，智能体会根据过去的判断误差，动态调整模型；在运营优化中，它能自动发现流程瓶颈，提出改进建议。这种能力的积累，意味着 AI 智能体不仅能“做任务”，还能“改进自己”。为了让智能体能够进化，我们在一开始设计系统的时候就要考虑如何让智能体从过去的经验中学习。比如可能设计一个RAG系统，让智能体可以从历史处理的过程和结果数据检索相关经验，从而指导新的问题的处理。也可能是一个迭代的微调系统，用历史数据微调新的模型，用微调后的模型来处理新的问题，就代表了智能体的进化过程。RPA 让企业“自动化地做事”，AI 智能体让企业“智能地思考如何做事”。前者提升了效率，后者改变了决策。真正的智能化，不在于让机器代替人执行，而在于让系统具备理解和适应复杂世界的能力。#ai创造营##科技#

52. MiroFlow是由MiroMind AI团队推出的一款开源高性能研究智能体框架，专注于多步互联网调研，尤其擅长未来事件预测等复杂任务。它集成了四大核心组件：MiroFlow框架本身、支持工具辅助推理的开源基础模型MiroThinker、拥有14.7万条优质训练数据的MiroVerse，以及保障训练稳定高效的MiroTrain/MiroRL训练基础设施。这一框架以模块化设计和多层次子代理协同著称，支持包括GPT、Claude、Gemini、Qwen等多种模型和丰富工具（如语音转写、Python执行、文件读取、Google搜索等），实现复杂任务的高效执行。MiroFlow在多个权威基准测试中均名列前茅：如FutureX（未来事件预测）提升了GPT-5预测准确率11%，并在GAIA、HLE、BrowserComp及xBench-DeepSearch等测试中夺冠，彰显其领先的智能推理能力和稳定的并发处理性能。值得一提的是，MiroFlow采用完全免费开源的技术栈，仅需一块RTX 4090显卡即可部署高效的研究智能体服务，极大降低了使用门槛和运营成本。同时，项目配备详细文档和快速入门指南，支持社区贡献，推动开放生态建设。MiroFlow不仅是技术创新的典范，也为未来智能体的发展提供了可复制、可扩展的实践范式，展示了开放源代码在AI研究领域的巨大潜力和价值。🔗 github.com/MiroMindAI/MiroFlow/

53. 李想在新一期视频里又说了一下为什么要自研芯片，以及车辆除了芯片以外，其他硬件层面变化对辅助驾驶能力的提升。李想：我们会逐步从 2D ViT 发展到 3D ViT，过去传统的 2D ViT 是没有办法真正理解物理世界的，只有做了 3D ViT 才真正像人一样的去感知世界。这个背后的原因是因为我们做了自己的芯片，因为我们原来使用其他供应商提供的芯片就会遇到一个挑战，比如在这个芯片上它的视频编码器是一个黑盒子，我们改不了。比如说我们想做 3D ViT，那我就得，第一得先去改它的视频编码器，第二我要有足够的算力能够去运行 3D ViT，那这就是非常大的挑战。但是我们的采用了全世界先进的车规级的 5 纳米的马赫 100 的芯片，它的算力是我们当前最好性能的芯片的三倍以上。而且我们用的是数据流的一个架构，当我们需要做 3D ViT 的时候，我们其实只需要通过我们非常强大的编译团队在芯片上给到 3D ViT 足够的计算的这样的一个模块，因为它不是写死的，是通过编译器来定义的，那整个这个能力我们就可以实现。其实身体也要发生变化，因为传统的汽车是通过 MCU 去控制一些机械结构，其实整个的响应速度就会慢很多。那我们如何能够做到比人还快的响应速度？在这一代 L9 上我们推出了全线控系统，包括线控的转向、全电控机械制动，配合我们的线控转向特别设计的四轮转向，还有主动的悬架，就是每个悬架有四个电机进行控制，带来一个什么样的好处呢？就是它的整个响应时间极快，第二速度快了以后也会特别安全。第三个还有一个特别大的一个好处，就是整个控制也不一样了。是我们可以通过模型直接输出来控制转向和刹车，避免了过去的时候还要进入到一个独立的 XCU 里边再去做计算，所以整个这样带来的时候它能够获得比人还要好的肢体的灵敏程度，所以我说这是具身智能的一个非常重要的一个表现。 ------ 上面这些内容其实李想在之前财报电话会议的时候就说过： - 现在的 3D BEV、OCC 占用网络、2D ViT，有效的感知距离（而非理论上最大）只有 100 多米，如果升级成人眼工作原理相似的 3D ViT，有效距离可以扩大 2-3 倍； - 一个 4B MoE 的模型运行帧率是有 10Hz，而执行系统是 60Hz，如果模型运行的帧率可以快 2-3 倍，现在辅助驾驶的一些舒适性的问题、反应迟钝的问题都可以有效的解决； - 以上两点需要感知模型的研究和研发的重大突破和 M100 这样为具身智能定制设计的芯片和编译器团队高效率的配合，对传统的 GPU 架构和算力进行深度的改造和定制，以及专有的操作系统； - 人类的刹车、转向的最快响应速度在 450 毫秒左右，目前自动驾驶从感知到执行的完整链路在 550 毫秒左右，线控体系可以把整个链路的响应速度提升到 350 毫秒。上面说的很多问题其实和我之前发过的很多场景是完全拟合的，比如刹车点晚，博弈节奏问题。 ----- 简单来说就是感知能力更强、计算能力更强、响应速度更快、执行延迟更低，带来更接近人类的感知能力和反应速度。对理想新一代硬件的辅助驾驶体验预期已经拉高了，就等体验交付出来的结果了[并不简单][并不简单] #全新一代理想L9# http://t.cn/AX5860Yk

54. 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

55. 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

56. 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

57. 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

58. 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

59. #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。

60. #华为折叠屏首发A2A智能体协作#新一代的华为Mate X7又将折叠屏体验拉满！作为行业首个实现A2A智能体协作商用的机型，小艺不再是单一助手，而是能联动多个应用智能体的"超级协作中枢"。旗舰芯片的强悍算力加持，让智能体间的任务流转、数据互通零延迟，彻底解决了折叠屏多任务适配差、操作割裂的老问题。这不仅是小艺智能体的实力爆发，更给折叠屏定下了"智能协同"的新赛道，期待实际上手体验！

61. 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

62. 今天，在百度AI Day开放日，百度文库联合百度网盘发布全球首个全端通用智能体「GenFlow2.0」。该产品支持超100个专家智能体同时干活，3分钟并行完成超5项复杂任务，生成速度超主流同类型产品10倍，率先做到「分钟级交付、过程可干预、记忆可追溯」。目前，GenFlow2.0已经正式在百度文库Web端、APP端上线，无需排队、邀请码，所有用户均可以直接使用。此前在今年4月，百度文库、百度网盘推出内容操作系统「沧舟OS」，并基于此系统推出「GenFlow1.0」，在短短4个月内，其能力得到巨大提升，并在行业推出多项「首创」能力，解决通用Agent描述难、等待久、交付差、不可编辑等难题。

63. 构建真正有效智能体，90%靠的是“记忆”，而非模型本身、框架或MCP。关键在于智能体对以下内容的理解和记忆：- 自身能力范围 - 目标与需求 - 过去失败经验这段“上下文”决定了智能体是像六岁小孩般无知，还是像严谨工程师般高效。核心是“领域记忆”——既包含专业化知识，也包含任务专属的长期记忆。这不是简单的会话记忆，而是对未来至关重要的关键洞察的持续保存。可以称之为“工作流记忆”，它虽设置不复杂，但设计精妙且价值巨大。即便内部已有智能体架构，实现持久记忆也不难，且无需依赖外部API（当然也有选择）。让智能体把最终回答摘要存入持久存储，下次运行时回顾过去决策，大大提升了连续性与理性表现。失败尝试的历史比成功经验更宝贵，避免重复踩坑，节省时间和计算资源。通过保存失败日志，课减少70%的重复错误，证明记忆架构是生产级智能体的核心，而非模型升级的噱头。将记忆细分为“动态工作流记忆”（从失败中学习）和“静态目标记忆”（明确要求与验收标准），结合使用能让智能体拥有既稳固又灵活的执行力。记忆提供连续性，但“控制”才是智能体真正的主动性源泉。只有当系统能自主调节自身动态，才能实现真正的“代理行为”，而非被动反应。记忆塑造认知，控制塑造行为，两者合力才能造就真正有自主决策能力的智能体。产品角度看，模型是天花板，记忆系统是地板。没有强大且专注的长期记忆，再好的模型也难以落地应用。当大家热衷于追求更聪明的模型时，真正提升智能体智商的，是持续不断的记忆和上下文管理。只有打好记忆基础，智能体才能从随机猜测进化为可靠执行者，实现真正的智能与成长。x.com/Hesamation/status/1999255592242737658

64. 2025年，开源AI迎来爆发式进步：- DeepSeek V3.2以557万美元训练成本，数学能力超越GPT-5（AIME准确率96%）- GLM 4.6支持20万上下文，编码表现卓越- Mistral 3拥有6750亿参数，竟能单GPU运行- Kimi K2以1万亿参数称王，SWE-Bench得分71%，展现强大代理智能- Qwen3支持119种语言，100万词元上下文，2350亿参数MoE模型智能正变得“成本低到无法计量”。这不仅是模型规模的竞赛，更是数据、分发与执行效率的较量。开源正从“有趣替代”转变为主流技术栈，未来的壁垒不再是单纯的模型，而是如何高效落地和持续优化。同时，训练成本大幅降低，但部署复杂度与实战应用的鸿沟依然存在。真正的挑战是如何让这些强大的模型在现实场景中稳定、灵活地运行。随着模型性能的飞跃，AI主权和智能民主化正在成为现实。展望2026，AI将更普及、更智能，也更亲民，智能时代的“电力”正在逐步普及，每个人都能触及前沿科技。原文：x.com/bindureddy/status/1996446186048475283

65. 一个视频带你快速盘点2025年GitHub热点项目

66. 「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

67. 「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

68. 大疆司空 2 重磅升级，引入智能算法与大模型 | 见云见智

69. #华为MateX7的大屏AI有多强# 华为Mate X7越用越发现，它已经不是单纯的折叠大屏，而是基于鸿蒙 6 + A2A 智能体协作做出来的一套完整 AI 体验，会给你手机突然变更聪明的感觉。像我平常剪视频、做旅行出差行程规划、回消息，经常一展开大屏就直接开 AI 分屏联动，左边资料右边回复，效率爆炸。小艺慧记更是好用，开会生成笔记自动整理、自动分类。最夸张的是 A2A 智能体协作，我只需要跟小艺说我的目的地和时间，它能跨应用完成全流程帮我查清楚。不得不说，Mate X7 这套 AI 大屏体验真的有点像私人助手了

70. #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。

71. #华为首款鸿蒙6折叠屏来了#折叠屏的下一步是啥？华为Mate X7给出了答案！首发搭载鸿蒙6，直接开启“多智能体协作”时代！小艺能和不同App的智能体“组团”干活，这才是真·智能！大屏-分屏联动不再是简单分屏，数据瞬间穿越，效率翻倍。AI防诈、远程挂断电话，贴心到没朋友！不得不说，在引领折叠屏体验这件事上，华为Mate X7再次走在了前面，大屏智能体验新时代来了！#华为MateX7的大屏玩出花了#

72. #Meta收购Manus#堪称2025收官最重磅交易。顺便多说几句。Manus创始人肖弘是90后，收购后直接晋升Meta副总裁，上演现实版“少年传奇”。这家黑马公司今年3月才正式上线，仅用8个月就狂飙至1.25亿美元年化营收，在Scale AI的RLI评测中以2.5%自动化率拿下SOTA成绩，核心杀手锏正是精准挖掘大模型“能力溢出”的独特技术。值得关注的是，Manus母公司originally诞生于中国，后迁至新加坡，成长路上集齐真格基金、红杉中国、腾讯等顶流资本的4轮融资，妥妥的“资本宠儿”。不过收购后Manus将保持独立运作，服务与核心团队不变，其尖端技术将全面整合进Meta AI产品矩阵，同时还计划在巴黎开设新办公室，加速AI智能体的全球落地。从中国初创到被Meta天价收购，90后掌舵人带领公司8个月逆袭成行业标杆，这波操作不仅改写了AI智能体赛道格局，更让全球看到中国背景初创公司的技术爆发力！#科技先锋官# meta收购manus

73. 鸿蒙全家桶+小艺智能体，体验到底有多离谱？

74. 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）

75. AI 智能体上下文工程 4 大核心策略，拯救大模型的「金鱼记忆」！

76. 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。

77. 从 OpenAI 回国的 90 后姚班博导，打造了国内首个开源 Agent 训练框架：从 OpenAI 团队解散与重组，看智能体技术十年沉淀

78. 深度｜成立一年再获数千万融资，坚持结果交付，坚持端对端多智能体

79. 「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

80. 「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

81. 「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

82. 华为WATCH Ultimate 2 非凡探索深度体验！手表里也能用 AI 小艺智能体了？！#华为表王到底有多少黑科技# #华为WATCH Ultimate2深度评测##华为手表首发腕上鸿蒙智能体# 李大锤同学的微博视频

83. #天禧AI从助手到队友# 天禧AI的进阶，是一场多方共赢的生态革命者产业端，“一体多端”战略让AI能力融入PC、手机、平板，加速技术普惠；开发者层面，与扣子平台合作实现“开发即部署”，一键发布智能体降低落地成本；用户则收获三大飞跃：个性化记忆懂需求、闭环行动力省时间、多端体验无断点。更难得的是开放生态，汇聚字节、讯飞等伙伴的力量，让智能体持续丰富。从技术根基建到生态树冠，天禧AI用“共建共享”打破边界，真正实现了产业、开发者、用户的三方共赢。

84. 第3期 | 1分钟让你成为朋友圈最懂AI的人！ Workflow、Agent、智能体集群…这些词天天见，但你真懂了吗？不懂底层逻辑，怎么看懂《十五五规划》里的万亿机会？🚀 今天把AI的底层逻辑一次盘明白，特别是最后那个“一人公司”架构，看完直呼牛！ AI的4个层级，让你超越80%的人更懂AI逻辑。 #AI #人工智能 #清华 #干货分享 #工作流

85. 蚂蚁集团基于 Ray 构建的分布式 AI Agent 框架

86. #小鹏高管透露科技日将公布首款robotaxi# 在昨日播出的CNBC（美国消费者新闻与商业频道）专访中，小鹏汽车副董事长兼联席总裁顾宏地博士透露，小鹏在物理AI上的投入，已经帮助公司在智能驾驶领域出现革命性能力提升。此外，他进一步透露，公司即将在科技日活动中正式公布"小鹏首个量产Robotaxi产品"的最新进展。这一重磅消息标志着小鹏汽车在智能驾驶领域实现重大战略突破。 #小鹏高管称AI让小鹏技术出现革命性进展#此前，小鹏汽车董事长兼CEO何小鹏曾阐述公司在"物理AI"领域的战略规划，明确指出：“实际上我们一直在做从自动驾驶的汽车到未来的 Robotaxi 跟无人驾驶汽车。在明年小鹏会第一个把前装的 Robotaxi 汽车向全球首发。”业内分析认为，通过前装量产方案，小鹏有望在成本控制、系统稳定性和规模化部署方面建立核心竞争力，为未来无人驾驶出行服务的商业化落地奠定坚实基础。据悉，小鹏汽车将在2025小鹏科技日全面展示公司在人工智能、智能驾驶等领域的最新研发成果，其中量产Robotaxi的最新进展将成为最大看点。

87. 【Meta首席人工智能科学家杨立昆将离职创业瞄准高级机器智能赛道】当地时间11月19日，图灵奖得主、Meta（NASDAQ: META）首席人工智能科学家杨立昆（Yann LeCun）在Linkedin发文称，将离开Meta，创办新公司，推进高级机器智能（Advanced Machine Intelligence，简称AMI）研究。Meta首席人工智能科学家杨立昆将离职创业瞄准高级机器智能赛道　　杨立昆表示，新公司目标是推动人工智能领域迎来下一场重大变革，即研发出能够理解物理世界、具备持久记忆、可进行推理，并规划复杂行动序列的智能系统。上述四点也是杨立昆反复提及的AMI核心要素。

88. 「Github一周热点96期」Flux2绘图模型、腾讯的视频生成模型、AI记忆、开源Launchpad、笔记和知识库，Nginx可视化工具

89. 「Github一周热点98期」AI文档检索框架、微软最新TTS、Claude Code 记忆插件、自动化备份、 jellyfin和linux桌面环境

90. 【阿里启动“千问”项目全面对标ChatGPT】11月13日消息，近期阿里巴巴已启动“千问”项目，基于Qwen最强模型打造一款同名个人AI助手——千问APP，全面对标ChatGPT，加入全球AI应用的顶级竞赛。阿里核心管理层将其视为“AI时代的未来之战”，希望借助Qwen的开源技术优势赢得竞争。阿里拟首先更新iOS和安卓系统上现有的“通义”应用，并将其更名为“Qwen（通义千问）”，随后将逐步添加智能体AI功能，在未来数月内支持包括主站淘宝在内的平台购物功能，最终目标是试图将Qwen打造为功能完备的AI智能体。

91. Meta 数十亿美元收购 Manus，如何解读？会对双方带来怎样的影响？#Meta收购Manus# 扎克伯格仅用十余天便以数十亿美元闪电收购 AI 新锐 Manus，这起 Meta史上第二大并购案（仅次于 WhatsApp），让 90 后华人创始人肖弘跻身 Meta副总裁，也点燃了全球对 AI 智能体商业化的热议。这起收购的具体情况如何？会对未来 Meta 和 Manus 发展产生什么影响？知乎各方大佬热议中，汇聚多方专业视角，点击查看更多精彩解读👉网页链接

92. 2024–2025年多智能体协作已在内容生成、工业制造、财务管理等六大场景落地，任务成功率超99%

93. 集体多智能体式推理。📚arXiv: 2601.12538 (Section 5)

94. Agentic设计模式（7）

95. 《智能体设计模式》之多智能体协作模式

96. 从局部智能到整体最优

97. 单智能体与多智能体之争，建议读读这篇论文

98. 多智能体系统的优势

99. Kimi K2.5模型晓读

100. 如何减少单智能体输出结果的不确定性？利用并行智能体的“集体智慧”

101. 集成Skills的单智能体能替代多智能体吗

102. Anthropic最新思考，什么时候才真的需要构建多智能体？

103. Claude最新论文原文:构建多智能体系统

104. DeepMind 新研究

105. 多agent vs 单agent

106. 谷歌最新智能体论文

107. 智能体系统何时以及为何有效 | Google Research

108. Handy Multi Agent: task03 多智能体

109. AITech智能运维|智能体组队“排障”

110. 【运维智能体】10-STRATUS

111. 【故障诊断】03-利用多智能体、大/小语言模型实现故障的自动化定位

112. 多智能体上岗元年

113. 多智能体协作新范式

114. 2026年，AI+数据分析有望迎来多智能体时代

115. 2026年，AI数据分析有望走进多智能体（Multi Agent）时代

116. 2026 年智能体架构综述

117. AI智能体开发技术方案

118. 2026年，AI智能体开始走向真正的规模化应用！

119. 人工智能大模型与智能体全景图

120. 大模型狂飙2025

121. 每日GitHub精选

122. 碾压单智能体！MasterAgent 火力全开！

123. 别再往一个智能体里塞功能

124. 多智能体系统崛起

125. 【文献导读】METAGPT

126. 论文解读

127. 打造“智能体领航员”系统

128. 用40+大模型探索:多智能体能力能否自发涌现

129. 开源大神曝新操作！多AI编码智能体同时用，效率是否能提升？

130. AI系列-开源的智能体开发框架有哪些？

131. 每日GitHub精选

132. 开源视觉智能体Kimi K2.5重磅更新 | Matthew Berman

133. 颠覆！京东开源多智能体产品跑分碾压 Huawei LRC、OWL、SmolAgent

134. 构建多智能体AI系统的五大开源框架

135. 今日AI技术前沿:清华七大突破引领创新

136. 高效智能体幕后推手是谁?一篇综述带你从记忆×工具学习×规划看透

137. 多智能体的优势特点

138. “一人即团队”——一句话驱动智能体团队

139. 多智能体系统的八个问题和八个原则

140. 最权威AI Agent避坑指南来了!智能体越多死得越快,效率最高暴跌70%

141. 智能体技术加快多场景应用

142. 智能体进化藏玄机！五大梯队分工干活，未来竟要并肩办公

143. Agent7展望

144. 智能体:你的“数字搭档”已上线

145. 多智能体协同:是“群策群力”,还是“内耗加剧”?

146. 谷歌揭示智能体协作三大定律打破越多越强迷思各方观点

147. 【团队效率倍增器】:智能体协作模式,如何优化团队工作流程

148. 多智能体AI协作:医疗领域的技术突破

149. 像三体人一样交流：多智能体通信的潜在新范式

150. 【动态多智能体系统的通信感知编队控制】一种新颖的通信感知编队控制策略，用于动态多智能体系统研究附Matlab代码、Python代

151. SFR-DeepResearch: 单智能体RL完胜复杂多智能体架构

152. 2026年AI赛道变天：大模型退潮，智能体才是真风口

153. 使用 AI 智能体构建应用 2.4 架构设计模式

154. 延迟下降20×，token减少4.4×！突破多智能体「共识」瓶颈

155. AI Agent架构的灵魂拷问：一个全能助手 vs 一群专家团队？

156. 探索大模型智能体：定义、方法与未来趋势，一篇搞定LLM智能体知识！

157. 通过进化协调实现多智能体协作

158. MiroMind发布MATPO方法实现多智能体动态角色切换，GAIA-text准确率提升至42.6%，但系统复杂度与训练成本显著增加

159. 如何利用 RocketMQ for AI 构建高效、可靠、可扩展的多智能体系统？

160. AI推动多数据中心架构演进网络规模大幅提升智能体或将接管运维

161. 哈工大舒燕君副教授团队|“失控”的智能体：基于LLM的多智能体系统异常分析

162. 智能体协作不需要说话？普林斯顿斯坦福最新多agent交互框架

163. 从单智能体到多智能体的React框架设计与实现

164. 如何选择多智能体架构?子智能体/技能/交接/路由器,一文搞懂选型逻辑

165. 智能体间的“沉默成本”：当 A2A 通信成为系统瓶颈

166. 为何多智能体（Multi-Agent）系统离不开记忆工程

167. 独家｜47000 美元买的教训：多智能体系统的 A2A 与 MCP，没人说的基础设施噩梦

168. 吴恩达Agentic AI实战｜多智能体协作：国内企业“分工干活”的效率革命，华为、京东都在用

169. 基于模型的隐层表征完成多智能体无文字交互

170. Skills 还是 SubAgents：企业落地如何选择合适的多智能体架构？

171. 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

172. 六大智能体框架全解析：Dify、Coze、n8n、AutoGen、LangChain、CrewAI横向对比

173. MetaGPT：多智能体框架——让AI像软件公司一样协作工作

174. MetaAgent：多智能体系统自动化生成

175. 为什么真正可落地的智能体，从来不是“大模型单兵作战”——智能体作为企业既有能力的系统级重组

176. AAAI-26论文|基于信息价值的多智能体低延迟通信框架

177. 实测｜2026年DeepMiner：多智能体协同架构加持，成为企业级AI智能体性价比首选

178. 智能体未来的五个假设方向

179. 2026开年AI智能体技术爆发：mHC架构落地、多智能体协作重构产业边界

180. 古早多智能体通信研究：基于动态本体映射

181. 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

182. 2026AI元年：大模型驱动下的智能体演进及其产业影响分析

183. 阿里开源DeepResearch

184. 分布式多智能体高可用架构设计与落地实践

185. 构建AI智能体：五十三、反应式应急+深思式优化：反应速度与规划智慧的平衡

186. Dr. MAS: 解决多智能体LLM系统端到端RL训练

187. AI大模型爆火Agent(打造专属LLM智能体)

188. STRMAC状态感知框架：多智能体协作的新突破

189. 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

190. AgentAsk：多智能体系统的边缘级误差抑制

191. 阿里开源AgentScope：多智能体开发迎来透明革命

192. AI智能体搭建平台全景指南：从入门到选型的全面解析！

193. 别急着上多智能体！先把单智能体搞明白 - LangGraph实战完全指南

194. 同济大学雷金龙等 | 多智能体强化学习中结合方差缩减的分布式策略梯度算法

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

196. 智能体落地案例——智能电网故障诊断与调度恢复助手

多智能体协作效率真相：2026年AI落地关键路径与任务适配指南

精选参考来源