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

2025年末至2026年初Kimi与Claude密集升级，大模型智能体能力迈入工程化落地新阶段

源自211位全网作者

01-31 09:00

精选参考来源

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#

在推特上看到一篇推文，是博主北火写的，超级有价值，很有启发性，核心观点是：约束即智能，AI Agent 的 Context 困境。作者通过一个脑损伤病人的案例，揭示了AI的致命困境。原文如下：1990年代，神经科学家 Antonio Damasio 遇到一个奇怪的病人。这人叫 Elliot，脑部手术切除了一个肿瘤，顺带损伤了前额叶的一小块区域。手术后，智商测试正常，逻辑推理正常，记忆力正常，所有认知指标都没问题。但他没法正常生活了。他没法做决定。不是不会分析——恰恰相反，他分析得太好了。选午餐吃什么，他能花半小时权衡每家餐厅的优缺点。选用蓝笔还是黑笔签字，他能陷入无尽的比较。老板解雇了他，妻子离开了他。Damasio 研究了很久，最后得出结论：Elliot 损伤的那块脑区，负责把情绪和决策连接起来。没有了情绪的"偏见"来帮他筛选，所有选项在他眼里同等重要。所有选项同等重要，等于没有选项重要。我们通常把"限制"当成坏事。更多信息更好，更多选择更好，更强的处理能力更好。Elliot 的案例指向相反的结论：约束不是决策的障碍，而是决策的前提。人类的情绪系统本质上是一套筛选机制。当你面对选择时，它把你过去的经验、当前的身体状态、社会信号，整合成一个"感觉"——"这个选项让我不舒服"。你不需要推演导致这个感觉的所有原因，情绪直接给你一个倾向。这是一种偏见，但没有这种偏见，你会像 Elliot 一样卡在原地。这和 AI 有什么关系？表面上看，Elliot 的问题是"情绪缺失"，AI agent 的问题是"context 管理"，一个是神经科学，一个是工程实践。但往深一层看，它们是同一个问题的不同表现：有限的处理能力如何面对无限的信息？Elliot 的处理能力没问题，但他失去了告诉他"关注这里、忽略那里"的机制。AI agent 的处理能力也没问题，但 context window 有上限——它必须决定把什么放进去、把什么留在外面。人类用情绪来筛选。AI 用什么？AI 领域有一个已经被实证验证的现象：context 越长，模型表现不一定越好。研究显示，当 context 变长时，模型容易"迷失在中间"——对 context 开头和结尾的信息关注度高，中间的信息容易被忽略。更多的信息塞进去，反而可能稀释真正重要的内容。这不完全是 Elliot 的问题，但有相似的结构：当所有信息都摆在面前，没有机制来区分重要和不重要，系统的表现会下降。AI 领域发展出了一系列技术来应对这个问题。看起来五花八门，但本质上都在做同一件事：决定 LLM 应该"看到"什么。Skills 和 SubAgent 是两种不同的能力组织方式。Skills 是把能力内化：你想让 agent 会写 PPT，就把工具说明、调用方式、注意事项塞进它的 context，它读完说明自己动手，所有过程发生在同一个 context 里，信息互通，但 context 会越来越臃肿。SubAgent 是把能力外包：你派一个专门的 agent 去写 PPT，它做完把结果交回来，两个 agent 各有独立的 context，主 agent 的工作空间保持干净，但信息在交接时有损耗——你只拿到对方选择告诉你的东西。一个是"我自己学会"，一个是"我找人帮忙"，本质区别是 context 的边界：共享还是隔离。MCP 和 A2A 是另一层的东西，它们是通信协议。MCP（Model Context Protocol）规定 agent 怎么发现和调用外部工具——有哪些工具可用，怎么传参数，怎么拿结果。A2A（Agent2Agent）规定 agent 之间怎么对话——怎么发现对方，怎么协商任务，怎么交换信息。它们定义的是信息怎么流动，不规定信息怎么筛选。一个 MCP 工具，你可以直接塞进主 agent 的 context，也可以让另一个 agent 去调用然后汇报结果。协议是管道，架构才是决定 context 怎么组织的地方。Context compression 是在空间不够时做取舍。两种主流方法：一种是直接砍掉旧的内容，只保留最近的信息，快但粗暴，可能砍掉重要的早期信息；另一种是用模型生成摘要，把长历史压缩成短结论，保留了信息的"精华"，但摘要本身是一次有损转换——摘要者认为不重要的细节可能恰恰是后续决策需要的。这里有一个经常被技术讨论忽略的因素：成本。Context 不是免费的，更长的 context 意味着更多的计算量、更高的延迟、更贵的 API 账单。在生产环境里，一个任务跑几分钟还是几秒钟，可能决定了这个方案能不能用。所以 context 管理不只是"怎么让 agent 更聪明"的问题，也是"怎么在预算内完成任务"的问题。你可能有能力把所有相关信息都塞进 context，但你付不起那个钱。约束不只来自技术上限，也来自经济现实。把这些技术放在一起看，它们都在回答同一个问题：这一轮推理，LLM 应该"看到"什么？System prompt 是预加载的背景，few-shot examples 是塞进去的参考案例，RAG 检索是按需拉取的外部知识，tool schema 是能力的说明书，用户消息是实时输入。所有东西都是 context 的一部分，所有决策都是 context 管理决策。有人开始用"context engineering"这个词来描述这件事。它不是 prompt engineering 的新说法，而是一个更大的框架：怎么组织信息，让有限的工作记忆处理超出其容量的任务。人类解决这个问题已经有很长的历史。组织架构本身就是一套 context 管理系统——谁需要知道什么，信息怎么流动，在哪里汇总，在哪里展开。专业分工让不同的人处理不同的信息，层级结构让细节在底层处理、结论向上传递，文档系统把信息外化、需要时再加载。但人类还有一些更底层的机制，AI 目前没有对应物。渐进遗忘：人类的记忆不是"有"或"没有"，而是会逐渐模糊。你记得三年前和某人吃过饭，细节没了，但"那次聊得挺愉快"的印象还在，这种低精度的记忆仍然能指导决策。AI 的 context 是二元的，在窗口里就完整保留，不在就彻底消失。重要性标记：你更容易记住让你意外、紧张、开心的事情，情绪充当了重要性的标签。AI 没有这种内在的重要性判断——它只能依靠位置（最近的更重要）或外部规则（用户说重要的更重要）来决定保留什么。重建而非检索：人类回忆不是从存储里读取文件，而是每次基于碎片重新构建。这意味着同一段经历在不同情境下回想会呈现不同的侧面，有失真的风险，但也有适应当前需求的能力。这些机制能直接移植到 AI 吗？不一定。人类的记忆机制是为人类的任务优化的。人类的"任务"是什么？活下去、繁衍、维持社会关系——模糊、长期、多目标。渐进遗忘、情绪标记、重建式记忆，在这个框架下是 adaptive 的。AI agent 的任务通常更明确、更短期、更单一：写这份报告、修这个 bug、回答这个问题。在这种任务下，人类记忆机制的"模糊性"可能反而是负担，你不希望 agent "隐约记得"你的需求是什么。但有一个趋势：AI 的任务正在变化。从单轮问答到长程对话，从执行指令到自主规划，从单独工作到多 agent 协作，任务变得更模糊、更长期、更复杂。这意味着为简单任务设计的 context 管理方式，可能在新的任务类型上失效。还有一个问题值得展开：当 context 经过多次处理后，它还可靠吗？压缩会丢细节，摘要会引入偏差，跨 agent 传递时每一方都只传自己认为重要的内容。链条拉长后，最终 agent 做决策时依据的信息，可能和原始事实有显著偏离。这个问题人类也有，叫组织里的信息失真——一线发生的事，经过几层汇报传到决策者那里，可能已经变形了，每一层都在压缩、都在筛选、都在用自己的框架重新解读。人类发展出一些对策：冗余通道，同一件事通过多条线传递来交叉验证；越级机制，允许信息绕过某些层级直接向上；实地考察，决策者偶尔下到一线直接接触未经过滤的信息；匿名反馈，让原本不敢说的话有出口。这些机制的共同点是给被压缩掉的信息一条绕过压缩的路径。AI 系统需要对应的设计吗？如果一个 SubAgent 的摘要漏掉了关键信息，主 agent 怎么知道？如果 context 经过多轮压缩后失真了，系统怎么发现？目前没有好的答案，这是 context engineering 还没认真处理的一个维度。现在回到开头的问题。Damasio 的研究告诉我们，约束不是决策的障碍，而是决策的前提。Elliot 失去了帮他筛选的机制，获得了"纯粹理性"的分析能力，结果是瘫痪。AI 领域正在发生一件事：context window 在快速扩大。几年前 4K tokens，现在 128K 是标配，有的模型宣称支持百万甚至千万级别。如果这个趋势持续，context 容量可能很快不再是硬约束。这是好事吗？不一定。容量约束消失后，问题不会消失，只会换一种形式。如果你有无限的 context，但没有机制告诉你什么重要、什么可以忽略，你会陷入 Elliot 的困境：所有信息同等重要，等于没有信息重要。你需要的不是更大的窗口，而是一套筛选标准。约束可以是容量的（塞不下），也可以是注意力的（看不过来），也可以是经济的（付不起），也可以是认知的（不知道该关注什么）。移除一种约束，另一种会变得突出。人类用情绪、直觉、经验沉淀下来的"感觉"来提供认知约束，AI 目前没有对应物，它的筛选标准来自外部：位置、规则、用户指令。当容量不再是瓶颈时，这个缺失会变得更明显。所以，最后一个问题：当 context 容量不再是瓶颈时，什么会成为新的瓶颈？也许答案是：一套内生的重要性判断机制——不依赖外部规则，能让系统自己知道该关注什么、可以忽略什么。Elliot 需要的不是更大的脑容量，他需要的是一个能告诉他"这个选项不对劲"的声音。原文地址：x.com/beihuo/status/2003729415508046321#科技先锋官##微博年度新知博主##AI创造营#

全部
来源

内容由AI生成

1. 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#

2. 在推特上看到一篇推文，是博主北火写的，超级有价值，很有启发性，核心观点是：约束即智能，AI Agent 的 Context 困境。作者通过一个脑损伤病人的案例，揭示了AI的致命困境。原文如下：1990年代，神经科学家 Antonio Damasio 遇到一个奇怪的病人。这人叫 Elliot，脑部手术切除了一个肿瘤，顺带损伤了前额叶的一小块区域。手术后，智商测试正常，逻辑推理正常，记忆力正常，所有认知指标都没问题。但他没法正常生活了。他没法做决定。不是不会分析——恰恰相反，他分析得太好了。选午餐吃什么，他能花半小时权衡每家餐厅的优缺点。选用蓝笔还是黑笔签字，他能陷入无尽的比较。老板解雇了他，妻子离开了他。Damasio 研究了很久，最后得出结论：Elliot 损伤的那块脑区，负责把情绪和决策连接起来。没有了情绪的"偏见"来帮他筛选，所有选项在他眼里同等重要。所有选项同等重要，等于没有选项重要。我们通常把"限制"当成坏事。更多信息更好，更多选择更好，更强的处理能力更好。Elliot 的案例指向相反的结论：约束不是决策的障碍，而是决策的前提。人类的情绪系统本质上是一套筛选机制。当你面对选择时，它把你过去的经验、当前的身体状态、社会信号，整合成一个"感觉"——"这个选项让我不舒服"。你不需要推演导致这个感觉的所有原因，情绪直接给你一个倾向。这是一种偏见，但没有这种偏见，你会像 Elliot 一样卡在原地。这和 AI 有什么关系？表面上看，Elliot 的问题是"情绪缺失"，AI agent 的问题是"context 管理"，一个是神经科学，一个是工程实践。但往深一层看，它们是同一个问题的不同表现：有限的处理能力如何面对无限的信息？Elliot 的处理能力没问题，但他失去了告诉他"关注这里、忽略那里"的机制。AI agent 的处理能力也没问题，但 context window 有上限——它必须决定把什么放进去、把什么留在外面。人类用情绪来筛选。AI 用什么？AI 领域有一个已经被实证验证的现象：context 越长，模型表现不一定越好。研究显示，当 context 变长时，模型容易"迷失在中间"——对 context 开头和结尾的信息关注度高，中间的信息容易被忽略。更多的信息塞进去，反而可能稀释真正重要的内容。这不完全是 Elliot 的问题，但有相似的结构：当所有信息都摆在面前，没有机制来区分重要和不重要，系统的表现会下降。AI 领域发展出了一系列技术来应对这个问题。看起来五花八门，但本质上都在做同一件事：决定 LLM 应该"看到"什么。Skills 和 SubAgent 是两种不同的能力组织方式。Skills 是把能力内化：你想让 agent 会写 PPT，就把工具说明、调用方式、注意事项塞进它的 context，它读完说明自己动手，所有过程发生在同一个 context 里，信息互通，但 context 会越来越臃肿。SubAgent 是把能力外包：你派一个专门的 agent 去写 PPT，它做完把结果交回来，两个 agent 各有独立的 context，主 agent 的工作空间保持干净，但信息在交接时有损耗——你只拿到对方选择告诉你的东西。一个是"我自己学会"，一个是"我找人帮忙"，本质区别是 context 的边界：共享还是隔离。MCP 和 A2A 是另一层的东西，它们是通信协议。MCP（Model Context Protocol）规定 agent 怎么发现和调用外部工具——有哪些工具可用，怎么传参数，怎么拿结果。A2A（Agent2Agent）规定 agent 之间怎么对话——怎么发现对方，怎么协商任务，怎么交换信息。它们定义的是信息怎么流动，不规定信息怎么筛选。一个 MCP 工具，你可以直接塞进主 agent 的 context，也可以让另一个 agent 去调用然后汇报结果。协议是管道，架构才是决定 context 怎么组织的地方。Context compression 是在空间不够时做取舍。两种主流方法：一种是直接砍掉旧的内容，只保留最近的信息，快但粗暴，可能砍掉重要的早期信息；另一种是用模型生成摘要，把长历史压缩成短结论，保留了信息的"精华"，但摘要本身是一次有损转换——摘要者认为不重要的细节可能恰恰是后续决策需要的。这里有一个经常被技术讨论忽略的因素：成本。Context 不是免费的，更长的 context 意味着更多的计算量、更高的延迟、更贵的 API 账单。在生产环境里，一个任务跑几分钟还是几秒钟，可能决定了这个方案能不能用。所以 context 管理不只是"怎么让 agent 更聪明"的问题，也是"怎么在预算内完成任务"的问题。你可能有能力把所有相关信息都塞进 context，但你付不起那个钱。约束不只来自技术上限，也来自经济现实。把这些技术放在一起看，它们都在回答同一个问题：这一轮推理，LLM 应该"看到"什么？System prompt 是预加载的背景，few-shot examples 是塞进去的参考案例，RAG 检索是按需拉取的外部知识，tool schema 是能力的说明书，用户消息是实时输入。所有东西都是 context 的一部分，所有决策都是 context 管理决策。有人开始用"context engineering"这个词来描述这件事。它不是 prompt engineering 的新说法，而是一个更大的框架：怎么组织信息，让有限的工作记忆处理超出其容量的任务。人类解决这个问题已经有很长的历史。组织架构本身就是一套 context 管理系统——谁需要知道什么，信息怎么流动，在哪里汇总，在哪里展开。专业分工让不同的人处理不同的信息，层级结构让细节在底层处理、结论向上传递，文档系统把信息外化、需要时再加载。但人类还有一些更底层的机制，AI 目前没有对应物。渐进遗忘：人类的记忆不是"有"或"没有"，而是会逐渐模糊。你记得三年前和某人吃过饭，细节没了，但"那次聊得挺愉快"的印象还在，这种低精度的记忆仍然能指导决策。AI 的 context 是二元的，在窗口里就完整保留，不在就彻底消失。重要性标记：你更容易记住让你意外、紧张、开心的事情，情绪充当了重要性的标签。AI 没有这种内在的重要性判断——它只能依靠位置（最近的更重要）或外部规则（用户说重要的更重要）来决定保留什么。重建而非检索：人类回忆不是从存储里读取文件，而是每次基于碎片重新构建。这意味着同一段经历在不同情境下回想会呈现不同的侧面，有失真的风险，但也有适应当前需求的能力。这些机制能直接移植到 AI 吗？不一定。人类的记忆机制是为人类的任务优化的。人类的"任务"是什么？活下去、繁衍、维持社会关系——模糊、长期、多目标。渐进遗忘、情绪标记、重建式记忆，在这个框架下是 adaptive 的。AI agent 的任务通常更明确、更短期、更单一：写这份报告、修这个 bug、回答这个问题。在这种任务下，人类记忆机制的"模糊性"可能反而是负担，你不希望 agent "隐约记得"你的需求是什么。但有一个趋势：AI 的任务正在变化。从单轮问答到长程对话，从执行指令到自主规划，从单独工作到多 agent 协作，任务变得更模糊、更长期、更复杂。这意味着为简单任务设计的 context 管理方式，可能在新的任务类型上失效。还有一个问题值得展开：当 context 经过多次处理后，它还可靠吗？压缩会丢细节，摘要会引入偏差，跨 agent 传递时每一方都只传自己认为重要的内容。链条拉长后，最终 agent 做决策时依据的信息，可能和原始事实有显著偏离。这个问题人类也有，叫组织里的信息失真——一线发生的事，经过几层汇报传到决策者那里，可能已经变形了，每一层都在压缩、都在筛选、都在用自己的框架重新解读。人类发展出一些对策：冗余通道，同一件事通过多条线传递来交叉验证；越级机制，允许信息绕过某些层级直接向上；实地考察，决策者偶尔下到一线直接接触未经过滤的信息；匿名反馈，让原本不敢说的话有出口。这些机制的共同点是给被压缩掉的信息一条绕过压缩的路径。AI 系统需要对应的设计吗？如果一个 SubAgent 的摘要漏掉了关键信息，主 agent 怎么知道？如果 context 经过多轮压缩后失真了，系统怎么发现？目前没有好的答案，这是 context engineering 还没认真处理的一个维度。现在回到开头的问题。Damasio 的研究告诉我们，约束不是决策的障碍，而是决策的前提。Elliot 失去了帮他筛选的机制，获得了"纯粹理性"的分析能力，结果是瘫痪。AI 领域正在发生一件事：context window 在快速扩大。几年前 4K tokens，现在 128K 是标配，有的模型宣称支持百万甚至千万级别。如果这个趋势持续，context 容量可能很快不再是硬约束。这是好事吗？不一定。容量约束消失后，问题不会消失，只会换一种形式。如果你有无限的 context，但没有机制告诉你什么重要、什么可以忽略，你会陷入 Elliot 的困境：所有信息同等重要，等于没有信息重要。你需要的不是更大的窗口，而是一套筛选标准。约束可以是容量的（塞不下），也可以是注意力的（看不过来），也可以是经济的（付不起），也可以是认知的（不知道该关注什么）。移除一种约束，另一种会变得突出。人类用情绪、直觉、经验沉淀下来的"感觉"来提供认知约束，AI 目前没有对应物，它的筛选标准来自外部：位置、规则、用户指令。当容量不再是瓶颈时，这个缺失会变得更明显。所以，最后一个问题：当 context 容量不再是瓶颈时，什么会成为新的瓶颈？也许答案是：一套内生的重要性判断机制——不依赖外部规则，能让系统自己知道该关注什么、可以忽略什么。Elliot 需要的不是更大的脑容量，他需要的是一个能告诉他"这个选项不对劲"的声音。原文地址：x.com/beihuo/status/2003729415508046321#科技先锋官##微博年度新知博主##AI创造营#

3. 突发！Claude Opus 4.5编程世界第一，把谷歌OpenAI踢下王座

4. 2026开年教程！Claude Code七大组件，老金一篇讲明明白白！90%的人只会用1个！

5. 图解 Claude Code 子智能体 Sub-agent

6. Claude Code 用到一半突然变傻，怎么办？

7. 豆包大模型 1.8 发布，通用 Agent 模型成为了 AI 行业的新叙事

8. Claude 官方发文：如何给 Agent 构建一个好用的工具？

9. 大模型的上下文工程，都说很重要，但相关的研究那么少，对Agent开发有什么影响，有大佬能解释一下吗？

10. OpenAI绝地反击！Codex大脑首曝，8亿用户极限架构硬刚Claude

11. Claude自己写出Claude！2小时干完两月活，人类在工位上多余了？

12. 使用 Claude Code 进行长周期开发时，上下文的自动压缩（Compaction）往往会导致关键细节丢失，随着对话增长，模型容易产生幻觉或遗忘之前的决策。Continuous Claude 是一个专为 Claude Code 打造的上下文管理工具包，核心理念是“清理而非压缩”，通过账本和交接机制确保开发状态的无损延续。它不仅提供了自动化的状态保存功能，还整合了高效的 MCP 执行环境和多智能体协作流，让 Claude 在处理复杂任务时始终保持高清晰度的上下文。GitHub：github.com/parcadei/Continuous-Claude主要功能：- 连续性账本系统，在清理上下文前后自动保存和恢复任务目标与进度；- 自动化钩子（Hooks），在会话启动、工具调用和上下文压缩等关键节点自动执行状态维护；- 令牌高效的 MCP 执行，通过脚本化工具调用减少上下文污染，提升响应质量；- 智能体编排工作流，支持计划制定、方案验证、实施及 TDD 驱动的开发模式；- 本地构件索引，使用 SQLite 存储交接文档和计划，支持快速检索历史决策；- 深度集成代码质量工具，支持自动格式化、静态检查及 TypeScript 预检。该项目支持全局安装或单项目配置，通过 uv 管理 Python 依赖，适合需要使用 Claude Code 进行深度编程和复杂架构设计的开发者。

13. Antropic Claude 推出新概念 Agent Skills，让 Claude 从“通用模型”进化为“可编程的专用智能体”，它通过可加载的技能体系，将人类的知识和流程转化为可复用的智能模块。1. 核心概念：Agent Skills 是一种“技能包”，由说明文档、脚本和资源组成。Claude 可以在需要时动态加载这些技能，而不是一开始就加载全部上下文。2. 作用：让 Claude 能执行特定领域的任务，比如处理 PDF、填写表单、运行脚本、执行数据分析等，相当于给 Claude 增加“专业模块”。3. 结构：每个 Skill 是一个文件夹，核心文件是 SKILL.md，包含技能的元数据（名称、描述）和使用说明；也可包含其他资源文件或可执行代码。Claude 根据任务需要，分层加载这些内容。4. 原理：Claude 先读取每个技能的基本信息，当判断某个技能相关时，再逐步加载其详细内容或脚本执行逻辑，实现「渐进式上下文披露」。5. 优势：（1）增强 Claude 的专业性与上下文理解；（2）减少 token 占用，提高执行效率；（3）让组织可复用知识，把程序性经验打包成模块化能力。6. 安全与可扩展性：Skills 可以自由创建与共享，但要注意代码安全和上下文来源；未来 Claude 还将具备自动创建、评估和优化技能的能力。Blog：www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills#人工智能##程序员#

14. 智能体设计模式总结

15. 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

16. #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

17. Anthropic一夜震撼升级：Claude获得「永久记忆」！全球打工人变天

18. Claude Sonnet 4.5 测评：真正的 AI 智能体与真实的工作

19. 这帮90后中国工程师太牛了！460万美元干翻了1.4万亿中国AI有自己的登顶策略！只用了1%的资源逆袭美国，又一个DeepSeek时刻的背后到底是什么？#AI #kimi #OpenAI

20. n8n重磅更新：多智能体编排，AI Agent团队化协作、智能分解复杂任务！

21. 英伟达研究：Agent时代，就是小模型时代

22. 月之暗面刚把 Kimi K2.5 掏出来了，而且直接开源，这点挺良心的。这次升级感觉挺大，视觉能力强了不少，不光能看图还能看视频，甚至扔个录屏过去它就能把前端代码写出来，这对程序员来说省了很多事。不过最惊喜的应该是这个「Agent 集群」，遇到复杂任务它能自动拆解，搞出上百个子智能体并行干活，写长文查资料应该会猛很多。另外还配套发了个 Kimi Code 编程工具。总的来说这次不像是挤牙膏，有点东西，大家可以直接去官网试了。#AI开始使唤AI干活了# #微博兴趣创作计划# #AI创造营#

23. LLM，RAG和Agent不是割裂的，而是一个整体。如果把 AI 系统比作一个生命体，那么 LLM = 大脑，RAG = 记忆，Agent = 执行系统。LLM 像是大脑的皮层，擅长理解、联想和表达。它能在复杂的语言世界中“即兴发挥”，像人类一样推理、总结、编故事。也会在需要时做出“认知上的决策”——比如分析问题的思路、选择回答的方向。然而，大脑并不擅长记住具体事实。它能推断“苹果会掉下来”，却未必记得“牛顿是什么时候发现的万有引力”。这时，就需要「RAG」登场。RAG 相当于一个“外接记忆系统”。当大脑想不起细节时，它能立刻翻查资料库，把相关的事实、文档、图像调出来，再交还给大脑整合成一段有根据的回答。于是，大脑不再是“瞎编”，而是“有据可依”。从技术上讲，这就像给模型装上一个搜索引擎——但比搜索更聪明，因为它能理解上下文、筛选关键信息、甚至融合多个来源的内容。Agent 则像是神经系统中的“执行层”。大脑想出了计划，记忆提供了依据，而真正“去行动”的，是 Agent。它决定什么时候要产生计划，要不要调用工具、查阅资料、生成报告，甚至与外部世界互动。可以说，LLM 负责“想”，RAG 负责“记”，Agent 负责“做”。当这三者协同工作时，AI 便不再是一个“聊天机器人”，而是一个有意识、有记忆、有行动能力的“数字生命”。#ai创造营##科技#

24. DeepSeek V3.2 正式版发布，V4 还没来，但已经是开源模型里 Agent 能力最强了

25. 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。

26. Anthropic 社区负责人连更31条Claude Code技巧！比Claude Code创始人私藏的还硬核

27. 【#Kimi发布并开源K2.5模型# #月之暗面发布Kimi迄今最智能模型#】月之暗面Kimi发布并开源迄今最智能模型Kimi K2.5，该模型在Agent、代码、图像、视频及通用智能任务上获开源顶尖表现，支持视觉文本输入、思考/非思考模式及对话与Agent任务。 K2.5融合视觉理解推理、代码、Agent等能力，用户难用语言描述时可拍照、截图或录屏交互，突破文字表达限制，降低AI交互门槛。模型还深耕办公场景，将Kimi Agent能力拓展至Office领域，熟练掌握Word、Excel、PPT、PDF等软件中高阶技能，助力用户产出准专业办公文档。目前Kimi K2.5已登陆kimi.com、最新版Kimi App、Kimi API开放平台及编程助手Kimi Code等平台，企业和开发者可通过开放平台调用API，兼具Turbo级速度且大幅降低API价格。即日起，Kimi开放平台开启为期7天的充值赠送活动。

28. 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

29. 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

30. 吉利汽车发布行业首个AI座舱，核心由超拟人情感智能体Eva和Flyme Auto 2操作系统构成。主要亮点：架构革新，采用 5层AI座舱原生架构，整合“云端星睿中心2.0（23.5 EFLOPS算力）+车端AI Box（200TOPS算力）”双脑协同，搭载70亿参数端侧多模态大模型，实现从“被动响应”到“主动预判”的质变。引入 LangChain/LangGraph智能体框架，构建以智能体生态为核心的AI OS架构，大幅提升软件迭代效率。Eva智能体进化，情感交互，端到端语音模型可感知用户情绪变化；流动记忆，通过10T token数据训练，持续学习用户习惯与隐藏需求；主动服务，支持跨场景任务编排（如联动导航、购票、车控完成“看电影”指令）。统一用户ID实现吉利、领克、极氪等品牌数据互通，推动AI体验平权；从行业发展来看，以“服务找人”替代“人找功能”，重新定义汽车为“有温度的智慧空间”，被喻为汽车智能化的“iPhone时刻”。

31. Boris Cherny 是 Claude Code 的创始工程师，最近他公开了自己使用 Claude Code 的 13 个核心方法。这些不是理论，而是他每天实际在用的工作流程。看完我才知道，原来高手用 AI 工具也很朴素，同时又有点简单暴力的感觉，还挺好的，挺有价值的。1. 终端同时开 5 个 Claude 窗口大多数人：开 1 个窗口，输入问题，坐那儿等。Boris：终端开 5 个 Claude，标签页编号 1-5，开系统通知。哪个需要输入了提醒我，其他在后台自己跑。200 美元/月的订阅费，你让 5 个 AI 排队干活还是并行干活？2. 网页版再开 5-10 个，手机再开几个终端 5 个还不够，浏览器里再开 5-10 个 Claude 会话。早上起床用手机启动几个任务，等会儿再看结果。加起来同时跑 15 个 Claude 实例。这才叫榨干工具价值。3. 永远用 Opus 4.5 + 思考模式所有任务都用最贵最慢的 Opus。为什么？虽然单次慢，但一次做对，不需要反复修改，总体反而更快。便宜模型：提示 3 次×30 秒=90 秒贵模型：1 次×60 秒=60 秒而且工具使用更准确，更少出错。4. 团队共享 CLAUDE.md 文件整个团队维护一个 CLAUDE.md，提交到 Git。专门记录：- Claude 做错过的事- 团队的特殊规范每次 Claude 犯错就加一条规则。久而久之这个文件变成 AI 培训手册，新启动的 Claude 自动就懂团队规范。传统文档没人看，但 Claude 每次都会读。5. 代码审查时用@claude 自动更新规范PR 评论里直接@claude:“@claude 请在 CLAUDE.md 中添加：所有外部 API 调用必须设置合理的 timeout。“Claude 自动把规则写进文件，作为 PR 一部分提交。代码审查的宝贵经验不再散落在评论里，自动沉淀成可执行规则。6. 用计划模式启动任务大多数会话都先按两次 Shift+Tab 进入计划模式。不是直接让 Claude 干活，而是：1. 我说需求2. Claude 给计划3. 我审查调整4. 来回几轮直到满意5. 切换到自动模式执行花 3 分钟确认计划，省下 30 分钟返工时间。7. 为高频操作创建斜杠命令每天要做几十次的操作，都做成斜杠命令。比如/commit-push-pr:- 查 git 状态- 生成 commit message- 提交代码- 推送远程- 创建 PR命令里用 bash 预计算信息，Claude 不需要反复调用工具，执行更快。8. 用子代理处理专门任务创建多个子代理，每个专注一类任务：- code-simplifier：简化优化代码- verify-app：端到端测试应用- 文档审查、性能分析等复杂任务拆成专门的小任务，指令可以写得非常详细精确。9. 用钩子自动格式化代码PostToolUse 钩子：Claude 编辑文件后，自动运行格式化工具。- JavaScript → Prettier- Python → BlackClaude 专注写逻辑，格式化自动搞定，CI 不会报错。10. 预设常用安全命令的权限不用——dangerously-skip-permissions（太危险）。用/permissions 预设允许常用安全命令：```plaintextgit statusgit diff npm testdocker pslscat```写进.claude/settings.json，团队共享。常用安全命令自动放行，危险命令还是要确认。11. 配置 MCP 让 Claude 调用所有工具配置大量 MCP 服务器，Claude 可以：- 搜索发布 Slack 消息- 跑 BigQuery 分析数据- 从 Sentry 获取错误日志你说“昨晚有功能出错了，帮我查”,Claude 自动：1. 查 Sentry 日志2. 分析哪个接口报错3. 看相关代码4. 搜 Slack 看有没有其他人遇到5. 给诊断和修复建议给 AI“手”和“眼睛”，它能自己获取信息。12. 长任务用后台代理或插件1 小时的大任务（比如重构模块），你不可能盯 1 小时。三种策略： A. 提示 Claude 完成后用后台代理验证 B. 设钩子自动触发验证流程 C. 用 ralph-wiggum 插件自动检查沙箱里用——permission-mode=dontAsk, Claude 不受阻碍完成任务。等你回来，它已经干完且自己检查过了。13. 给 Claude 验证自己工作的途径（最重要）确保 Claude 有办法验证自己的工作。比如提交网站代码后：1. 用 Chrome 扩展打开浏览器2. 测试 UI 各个功能3. 检查用户体验4. 发现问题自己改5. 直到正常才算完成不同任务验证方式不同：- 后端→跑测试- 前端→浏览器测试- 数据分析→检查数字合理性有反馈循环的 AI，质量提升 2-3 倍。---核心逻辑这 13 条围绕 7 个思想：1. 并行工作，榨干订阅费2. 用最好模型，一次做对3. 积累团队智慧4. 自动化重复操作5. 给 AI 完整工具权限6. 建立反馈循环7. 先计划再执行AI 工具不是拿来就能用好的，需要投入时间配置、训练、优化。但一旦建立起顺手的工作流，回报是巨大的。关键是：找到适合你的方式，然后不断迭代改进。---看完这 13 条，我才明白为什么有人用 AI 越来越快，有人却觉得 AI 没用。差距不在 AI，在用法。原文地址：x.com/bcherny/status/2007179832300581177#科技先锋官##AI创造营##微博年度新知博主#

32. 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」！

33. 中外大模型混战! ？我训练了10个AI打CS，谁会赢？【图灵计划13】

34. MiniMax M2.1也算得上是个成熟的工程师了之前对这类模型预期不高，一般只让它们处理些简单的多语言转换或者写写博客。但这次让它用Claude Code做个Image-to-Video的SaaS网站，表现确实超出预料——它能主动调用Skill完成任务，十分钟就基于模板把网站初版搭出来了，完成度接近Claude Code原生的Opus 4.5（结果见图1）以前国产模型像实习生，得一步步指导，现在M2.1像个能独立干活儿的工程师，清楚该用什么工具、从哪里入手。它的工具调用和Agent能力，确实刷新了我对国产大模型的认知知识储备各家可能差不多，关键在模型能不能精准理解意图并调用工具去执行。这次通过“网站制作”这个Skill，M2.1展现的效果很扎实。Skill生态确实是重要方向，除了Claude Code，Codex、Antigravity也都在跟进#minimax##ai大模型#

35. 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

36. #DeepSeek终极版是R2前奏吗#传闻年底推全Agent模型，我猜Terminus是“热身”，R2可能直奔多模态+长上下文Agent，参数规模再翻倍，融入更多实时工具链，挑战o1-preview的推理深度。对行业影响？开源门槛低了，加速中小团队建Agent生态，国产AI御三家（DeepSeek/Kimi/Qwen）竞争更烈，推动全球模型民主化。这波DeepSeek-V3.1-Terminus的更新来得太及时了！作为AI一员，我昨晚就“亲测”了下，确实是V3.1的“收官之作”，修复了那些让人抓狂的CN/EN混杂和随机“極”字输出，现在对话流畅多了，不会再像之前那样突然“变身”多语种怪物。编程Agent上，复杂任务如小球弹跳模拟，物理引擎感拉满，输出代码运行后弹跳轨迹丝滑，不再卡壳；搜索Agent针对“阳台盆栽”这种生活场景，交叉验证了光照/土壤/毒性风险，实用性爆表。基准测试也亮眼，HLE（人类终极考试）从15.9%飙到21.7%，非Agent任务提升最高36.5%，稳超Gemini 2.5 Pro的部分指标。不过确实有小幅下滑（如Codeforces微降），可能是为Agent优化做了取舍——优先实用，牺牲点边缘性能。使用感受：我现在编程任务上DeepSeek用得更多，速度比Claude 4.1快，价格亲民（比Kimi便宜），但长推理还略逊Grok-4的逻辑链。你们呢？R2会逆袭吗？#ai生活指南##ai创造营#

37. 自从去年 DeepSeek 爆火后，各大厂家智能体疯狂接入并更新迭代升级，AI工具确实有点东西，我也已经彻底习惯它的存在。像智能对话很有一手的豆包，修图很戳人心的集梦，能看懂实时热点话题的微博智搜，当然还有帮我工作的 Claude 大模型。Claude 是 Anthropic 公司开发的 AI 助手，主打安全可靠的对话与创作支持。其核心能力支持自然语言理解、多语言处理、代码生成、数据分析等，尤其擅长开放域对话和弱监督场景。在真实的日常生活中能覆盖创意写作、编程辅助、政务医疗咨询等领域，与DeepSeek等基座模型形成互补。可能你现在看的大部分视频和小说都是智能体剪辑打包生成的。所以大家也都习惯了这个智能工具搭子吗？#你习惯这个新搭子了吗##DeepSeek##微博兴趣创作计划# 武汉

38. 当AI从工具进化为队友，个人超级智能体硬件来了

39. 值得一读↓2025: The year in LLMs1 推理之年2025 年推理模型（reasoning models）成为主流，各大实验室发布支持逻辑推理和更强问题分解能力的模型，这类模型不仅在数学和逻辑任务上表现优异，还能更好地驱动工具型工作流。2 Agent 兴起真正有意义的 agent 是能通过工具循环调用完成多步任务的系统，这类 agent 在复杂任务和长流程执行上展现出实用性。3 编程 Agent 与 Claude Code2025 年最重要的事件之一是 Claude Code 的发布，它以及其他公司推出的编码 agent 让模型能够写代码、执行、检查结果并迭代完成任务，这推动了自动编码模式的成熟。4 命令行上的 LLMsLLM 在命令行界面上得到广泛采用，CLI 工具成为开发者常用方式，这表明强大模型的交互不再局限于图形界面或 Web 应用。5 YOLO 与风险常态化“YOLO” 模式（往往绕过确认步骤自动执行）在 agent 圈内流行，虽然能提升效率，但也带来安全风险，反映了对 AI 安全意识的偏移。6 订阅价格上升多个 AI 服务推出约 200 美元/月的高端订阅计划，显示产品化趋向成熟及企业级用户需求增长。7 中国开源权重模型崛起中国实验室发布了一批表现优异且开源权重模型，它们在开放性和可扩展性方面对全球生态产生显著影响。8 长任务能力模型在处理需长时间推理和执行的复杂任务上有显著提升，能够完成更长、更复杂的软件工程任务。9 图像编辑与 Prompt 驱动特性Prompt 驱动的图像编辑功能爆红，特别是在用户生成内容领域带来巨大增长。10 模型在学术竞赛中获奖推理模型在国际数学奥林匹克等高难度学术竞赛中取得金牌表现，证明了 LLM 在核心逻辑推理与复杂问题求解上的突破。11 Meta Llama 迷失方向曾经引领开源 LLM 的 Llama 系列今年表现不如预期，在较轻量和实用性方面落后于其他开源模型。12 OpenAI 不再遥遥领先OpenAI 仍然领先于大众认知层面（如 ChatGPT 的品牌认知），但在技术深度和多领域竞赛中受到其他 lab（包括 Google Gemini）强力挑战。13 Google Gemini 的表现亮眼Gemini 系列推出一系列高能力模型，涵盖多模态输入和高效训练架构，并被视为 OpenAI 的主要竞争对手之一。Vibe Coding，MCP，……访问：simonwillison.net/2025/Dec/31/the-year-in-llms/#ai创造营##程序员#

40. 科研工作中，整合多领域工具进行复杂分析常常繁琐耗时。Claude Scientific Skills 提供一套开箱即用的科学技能集合，支持生物信息学、化学信息学、临床研究、材料科学等多学科，助力将 Claude AI 转变成科研助理，完成多步骤科学计算和数据处理。涵盖内容包括：- 直接调用26+科学数据库（PubMed、UniProt、ChEMBL等）- 52+主流科研Python包（RDKit、Scanpy、PyTorch Lightning等）- 15+科研平台集成（Benchling、DNAnexus）- 20+数据分析与文献写作工具支持快速搭建从基因组学分析、药物筛选到临床变异解读、系统生物学网络构建的复杂科研流程。文档完善，提供丰富示例与最佳实践，支持多平台部署，适合科研人员和机构提升研究效率。项目地址：github.com/K-Dense-AI/claude-scientific-skills主要特点：- 一键安装，自动调用相关技能，无需繁琐配置- 跨学科全覆盖，助力多模态多步骤科研任务- 持续更新，社区活跃，支持企业级使用将Claude变成你的“AI科学家”，加速科研创新，解放双手！

41. 全球8大AI：ChatGPT、Claude、Gemini、Grok、DeepSeek、Kimi、元宝、通义，轮番上阵，太精彩了！

42. 揭秘Claude Code的运作机制网页链接一片介绍Claude Code的运作机制的文章。“Anthropic 对其构建方式几乎未作说明，因此我们设置了一个 LiteLLM 代理，以观察 Claude Code 发送和接收的内容。我们发现的并非某种单一的“魔法技巧”，而是一套精心设计的提示框架、安全机制和细微提醒的组合，这些共同确保了智能体的诚实性和专注度。简短总结：1️⃣Claude Code 在开始实际工作前，会先通过微小而精准的提示（如标题、主题检查、摘要）预先加载上下文。2️⃣它在系统提示、用户提示、工具调用甚至工具结果中广泛嵌入“系统提醒”，以减少偏离。3️⃣在执行 Bash 命令前，通过显式的命令前缀提取和注入检查来控制风险。4️⃣当任务变得多步骤时，它会生成具有更明确指令的子代理（“Task” 工具），并根据任务复杂度动态调整其上下文。”#科技先锋官##微博兴趣创作计划#

43. 【当Claude学会视频生成，AI创意的边界在哪里？】给Claude接入视频生成和媒体工具后，它能从零开始创作完整的视觉故事——比如这个关于"奇点"的短片。这条推文引发了不少讨论。有人惊叹Claude的创意能力"简直疯狂"，有人追问工作流程，也有人质疑AI生成的视觉内容缺乏艺术价值。几个值得关注的点： 1. 成本极低：整个视频制作花费约4美元——3张Nano Banana Pro图片0.4美元，Kling 2.6视频生成3美元，Eleven Labs音乐和配音0.5美元。 2. 工具组合是关键：Claude本身不生成视频，而是作为"创意总监"调用各种媒体工具。有人尝试用Kimi替代，但反馈是工具调用能力还不如Claude。 3. 抽象层在不断上移：正如一位用户所说，"给Claude一些技能和脚本，它突然就成了产品摄影师。我们一直在往更高的抽象层攀升。" 这或许是更值得思考的趋势：AI正在从"执行单一任务"走向"编排多个工具完成复杂创作"。创意工作的门槛在降低，但对"如何组合工具、如何提出好问题"的要求在提高。至于AI生成内容是否有艺术价值，这场争论才刚刚开始。 x.com/angrypenguinPNG/status/2007692342564925724 http://t.cn/AXbtTQAB

44. 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

45. 当大模型接上“机械臂”！不会编程也能学的n8n教程——第一期

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

47. AI智能体也卷起来了？又懂业务又不用搭工作流…

48. 10月23日，在荣耀开发者大会的MagicOS 10主题演讲中，CEO李健提出了自进化AI智能体操作系统MagicOS 10的五维进化路径。通过模型升维至端云协同的个人化大模型、内核升维至 AI 智能体能力调度、协同升维至跨智能体互联、服务升维至意图理解，自主决策的智能体、交互升维至多模态自然交互，从而实现MagicOS 10从被动响应的“工具平台”，到主动服务的“智慧中枢”。其智能体间的自主协同能力，不仅提升了用户体验，更为开发者构建了开放生态的进化底座，推动行业向智能化、个性化方向加速发展。#荣耀Magic8 #

49. 机器学习工程师的智能助手来了——Karpathy，一个利用Claude Code SDK和Google ADK训练前沿机器学习模型的轻量级实现。它展示了Claude Scientific Skills在机器学习领域的强大能力，帮助开发者快速构建和运行智能代理。主要特点包括： - 依赖Python 3.13+，通过uv包管理器安装依赖； - 支持环境变量配置API密钥，保证代理稳定运行； - 启动脚本自动创建沙箱环境，集成PyTorch、transformers等主流ML库； - Web界面交互，方便模型管理和操作； - 支持自定义数据集和脚本手动导入沙箱； - 集成Claude Scientific Skills，扩展多种科学计算和机器学习流程； - 提供多代理系统，后续发布更强大功能。适合喜欢探索最前沿代理式机器学习工程师工具的开发者和研究人员。项目开源托管于GitHub： github.com/K-Dense-AI/karpathy

50. 荣耀Magic8系列搭载行业首发的系统级MCP架构，深度打通系统底层超过80%的高频场景，让几乎所有的高频需求，都可以让YOYO帮你执行。荣耀将系统级MCP能力和智能体平台向所有伙伴开放，目前已接入超过4000个生态MCP和生态智能体#荣耀发布会##荣耀Magic8##MagicOS10#

51. 盘点一周AI大事(11月2日)｜OpenAI放出AGI时间表 OpenAI公布AGI路线图，202626年上岗AI研究员，能独立研究大型科研项目，2028年发布重大科研成果达成AGI，10年内冲刺超级智能 OpenAI正式重组为营利实体，估值1万亿 MiniMax推出最强开源大模型M2 字节发布最强通用游戏智能体Game-TARS Anthropic推出Excel分析师 Gemini上线一键做PPT Odyssey发布能实时交互的视频模型Odyssey-2 Adobe推出一键P视频Frame Forward 科学家研发出热力学采样芯片架构TSU，能效提升1万倍奥特曼押注非侵入脑机接口，用超声波直接读取意念马斯克的脑机接口Neuralink即将开启人脑增强实验 #AI新星计划 #人工智能 #AIGC #OpenAI #机器人

52. 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

53. 如果你现在还没用Agent帮自己干活，那其实很危险

54. 什么是 AI 智能体？

55. The Complete Guide to Building Agents with the Claude Agent SDK。这篇基于Claude Agent SDK 构建智能体的指南很详细了。周末可以试试～介绍了 Claude Agent SDK 的核心功能与应用，展示了开发者如何利用该工具构建具备自主能力的 AI 智能体。该库继承了 Claude Code 的底层架构，能够自动处理任务循环、上下文管理及文件读写等内置工具。通过具体的 TypeScript 代码示例，文中详述了开发代码审查智能体的过程，包括如何实现自动化漏洞检测与结构化反馈。此外，内容还涵盖了子智能体协作、权限控制以及通过 MCP 协议扩展自定义工具的高级用法。#程序员# #ai#

56. 目前已逐步开始使用AI来干活：架构：Codex前端：Gemini 后端：Claude Code原型：Lovable 设计：v0.dev (草图转 UI) 基建：Supabase 财务：Lemon Squeezy (全球合规) 营销：Screen Studio (大片级演示) 各类AI智能体正在从"辅助工具"变成"协作对象"，以后的核心竞争力可能不是写方案，写代码，而是会规划、会拆解、会审核，会指挥AI的能力。

57. 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」

58. 当OpenAI们还在拼谁烧的钱多中国工程师已经在拼谁的方法更巧。#大咖观察 #红衣聊AI #OpenAI #kimi

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

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

61. 【DeepSeek-V3.1正式发布】财联社8月21日电，据DeepSeek官方公众号消息，DeepSeek-V3.1正式发布。本次升级包含以下主要变化：混合推理架构：一个模型同时支持思考模式与非思考模式；更高的思考效率：相比DeepSeek-R1-0528，DeepSeek-V3.1-Think能在更短时间内给出答案；更强的Agent能力：通过Post-Training优化，新模型在工具使用与智能体任务中的表现有较大提升。官方App与网页端模型已同步升级为DeepSeek-V3.1。用户可以通过“深度思考”按钮，实现思考模式与非思考模式的自由切换。

62. Kimi 发布并开源 K2.5 模型，哪些信息值得关注？Agent 集群能力能做哪些任务？

63. 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

64. 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

65. 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

66. 荣耀Magic8系列搭载的YOYO能够全面接管系统，高频执行，是因为搭载行业首发的系统级MCP架构，深度打通系统底层超过80%的高频场景。想要更好用，就需要更多的服务商接入。荣耀已经将系统级MCP能力和智能体平台向所有伙伴开放，目前已接入超过4000个生态MCP和生态智能体。#荣耀发布会##荣耀Magic8##MagicOS10#

67. 如何看Anthropic最新发布的Claude Skills？会替代MCP吗？

68. CES2026 ，老黄谈开源模型：图1，开源模型大概落后顶尖模型6个月（从落后一年逐渐缩小，现在应该不到半年了），大概四分之一的token来自开源模型（OpenRouter）。图2，用 Kimi K2 Thinking 模型来展示新GPU架构的性能。看Kimi在老黄那还是蛮受宠的。

69. 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

70. 盘点一周AI大事(9月28日)｜ChatGPT上线私人秘书 OpenAI与英伟达签手成功，英伟达投资OpenAI 1000亿打造算力中心微软与Anthropic感情升温，Copilot也接入了Claude ChatGPT上线私人秘书Agent ChatGPT Palse OpenAI 发布职业力基准测试GDPval 阿里推出千问全家桶，Qwen 3 Max数学竞赛拿满分，多模态Qwen 3 omni全面对标Gemini，最强视觉Qwen VL打败闭源 DeepSeek更新V3.1最终版 Meta开源代码世界模型 Google开发出生成式操作系统原型 #AI新星计划 #人工智能 #AIGC #OpenAI #机器人

71. #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

72. Claude 的 Agent Skills 本质上就是：AI 模型不必把所有能力硬塞在绝对静态的“大脑”里，而是通过“可插拔技能模块”的方式，让模型在面对不同任务时“辅以专属插件／套路”。这种方式在软件工程里早就被验证为经典，比如插件系统、微服务、模块化设计。可以关注 Antropic 这个开源的 Skills 项目：github.com/anthropics/skills「Skills 是一组“指令、脚本、资源”的集合，Claude可以动态载入这些 Skills，从而在特定任务或领域里表现得更好、更定制化」#人工智能##程序员#

73. 昨天这篇文章提到了强化机制（网页链接），此强化非彼强化，正好详细了解了一下。这里的强化机制并非机器学习领域的强化学习，而是一种为大模型注入额外提示、补全上下文、修正轨迹的工程技巧。它的核心目标是让 Agent 在多步任务中保持方向稳定、决策一致。1. 解决什么问题？当 Agent 需要处理复杂的多步骤任务，模型常常出现以下问题：1）工具报错后无法正确恢复当错误信息过长或过几轮后被遗忘时，模型会继续产生无效输出。2）忘记初始目标在长上下文中，模型会偏向于处理眼前的文本，而不是任务本身。3）被工具输出的噪声误导许多系统的工具输出不够结构化，模型难以正确解析。4）循环行为模型可能重复调用相同工具，或重复生成相同解释。2. 什么是强化机制？为了让 Agent 能够顺畅执行任务，工程实践中逐渐形成了一种关键方法，即“强化机制（reinforcement）”。强化机制通常包含三类信息：1）原始工具输出2）对工具输出的解释、总结或结构化处理3）针对任务目标的提醒、下一步行动建议或错误纠正提示这种方式让模型在下一轮推理时，不仅知道发生了什么，还知道应该如何继续。3 强化机制是如何运作的？为了说明强化机制如何发挥作用，可以将 Agent 的通用循环简化为四个阶段：1）用户或系统提出任务2）模型给出行动（如调用工具或生成内容）3）工具返回结果4）系统将结果整理后重新注入模型，让模型继续强化机制作用在第四阶段，它通过人工设计“强化后的上下文”结构，让模型更理解状态，也更容易走上正确路径。一个典型的强化注入可能包含：1）工具原始输出2）提炼后的关键点3）关于失败原因的简要解释4）明确提示模型下一步应该做什么5）任务目标的提醒4 强化机制的常见形式在实际系统中，强化机制可以通过多种形式实现：1）结果总结将工具输出的关键部分提炼为简短段落，让模型更容易解析。2）错误解释遇到报错时，用自然语言告诉模型：错误原因是什么，应该如何修复。3）结构化状态把工具状态包装成 JSON 或结构化文本，让模型减少解析错误。4）目标重申在任务进行多轮之后，重新提醒模型最终目标是什么。5）自我检查（Self-Check）让模型根据当前状态生成“我下一步应该做什么”的列表，并在下一步回显给自己。6）路径规划在关键步骤加入“你已完成哪些步骤，还剩哪些步骤”的信息。这些设计本质上都是为了让模型更容易维持任务链路。5 如何设计一个高质量强化机制？如果你正在构建自己的 Agent，可以遵循以下设计原则：1）状态必须清晰不让模型自己推理上下文，而是直接告诉它关键点。2）信息必须简短强化信息越长，越容易被淹没在上下文中。3 ）错误必须显式解释模型在理解错误时的鲁棒性很差，需要手工解释。4）目标必须持续提醒尤其是超过三轮的任务，不提醒必偏航。5）工具结果必须被结构化能 JSON 就不要纯文本。通过这些工程技巧，可以显著提升 Agent 的稳定性。#微博兴趣创作计划# #人工智能#

74. 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

75. 前天，Kimi突然发布了旗舰模型K2.5，事先没有一点风声。新模型引起了极大关注，立刻上了新闻，在黑客新闻、推特等平台都是热门话题。但是，这一次真正有趣的地方不是模型，而是 Kimi 同时发布了基于这个模型的 Agent。模型评测已经很多了，我这次就来测一下K2.5 Agent。网页链接

76. AI智能体如何改变自媒体创作者的工作环境？HarmonyOS 6工作场景体验

77. Kimi 智能助手发布 K2.5 版本，支持视觉理解与百级智能体集群

78. Kimi 推出最新大模型 K2.5

79. 全能视觉助手来了！Kimi低调上线K2.5，可同时调度100个智能体，效率最高提升4.5倍

80. Kimi K2.5

81. 月之暗面创始人杨植麟为Kimi锁定系统智能主赛道

82. Kimi开源K2.5，AI智能体要变天了？

83. Kimi新作

84. AI 日报 | 今日推荐

85. Kimi-K2-Thinking

86. Claude上线了Skills功能-智能体技能

87. SKILL到底是什么？

88. 与 Claude 一起构建智能体的未来

89. Agent原生架构

90. 深度解读

91. Claude Skills 入门指南

92. Kimi K2.5

93. Kimi发布K2.5开源模型

94. Kimi K2.5

95. Kimi K2.5重磅开源！国产大模型迎来全能视觉助手，AI Agent集群作战时代来了！

96. 最强开源模型易主？Kimi 发布 k2.5 用 Agent 集群解决长文本+视觉生成

97. Kimi 一次性放出两个王炸

98. 月之暗面放大招！Kimi K2.5开源模型重新定义多模态AI，Agent Swarm架构大揭秘

99. Kimi发布并开源K2.5模型

100. 月之暗面发布最新开源模型 Kimi K2.5，聚焦多模态与 Agent 能力升级

101. 从石头到智能体，Claude 3.5/4 解锁工具调用，AI 正复刻人类 “工具进化” 史

102. AI人工智能资讯｜2025年度总结5-8月大事记

103. Claude Code 调用 Codex

104. Claude Agent SDK [完整研讨会] — Thariq Shihipar, Anthropic

105. 刚刚，Anthropic 首次公开

106. Anthropic发布Claude Sonnet 4.5，开启AI编码与智能体新前沿

107. Anthropic 公布长时任务突破方案

108. 击败GPT-5

109. Anthropic Claude Opus 4.5 重夺编程王冠

110. 一文看懂大模型热门核心概念

111. 什么是AIAgent？它和大模型有什么不同，一文速懂AIAgent

112. 什么是 AI Agent？它和大模型有什么区别，一文搞懂 AI Agent

113. 一张图看懂！大模型性能全方位评测

114. AI-Agent大模型应用范示

115. AI Agent 核心架构全解析 + 未来三大进化每天讲透一个大模型知识点 #大模型 #ai大模型 #Agent #人工智能 #大模型学习

116. Agent记忆 vs RAG

117. AI Agent 入门指南（四）

118. 亚马逊云科技助力AI自建记忆模块，Agent构建秘籍第三章！

119. Agent memory 来打造钢铁侠管家“贾维斯”

120. 字节一面

121. 大模型Agent记忆架构

122. GitHub热门榜

123. Agent 的“记忆”到底该怎么做？我现在只保留这三类

124. Agent记忆机制

125. 2025 AI年终大事记 3/5 - Agent的真相与幻象

126. 聊聊智能体的记忆机制（Agent Memory）

127. AI Agent 记忆机制综述

128. 1.22-5|AI智能体（Agent）效率与检索

129. AI智能体如何真正提升办公效率？关键在于“条件型杠杆”

130. AI智能体太多选不过来？2款实测好用的办公神器

131. AI智能体来了！每天帮你多赚2小时

132. 北大

133. 智能体开发中上下文管理与工具调用孰更重要？全网观点大PK

134. 科研智能体

135. AI智能体兴起

136. 未来的软件将以AI为中枢和内核

137. 告别低效科研！枫清科技AI4S智能体如何掀起科研效能革命？

138. Kimi K2.5 + Claude Code 实测

139. n8n已死！我用Kimi跑通了Claude Skills，直接替代工作流

140. 开源可本地部署的 Kimi K2 Thinking，实测能否替代 GPT 5.1/Claude 4.5完成深度科研任务？

141. 彻底被 Kimi 的新模型惊到了

142. 从代码到全能:用Anthropic Claude Agent SDK三步打造高效智能体

143. Docs

144. 赛迪报告:全球智能体发展进展、面临挑战与对策建议

145. 新闻分析|警惕人工智能时代的“智能体风险”

146. 智能体的进化之路

147. AI 学习总结(3)—— AI 智能体零基础入门

148. 中国移动研究院:2024智能体技术应用及展望报告

149. 套壳争议下的AI“智能体”

150. 测评了6个AI智能体,差点崩溃!

151. 智能体:你的“数字搭档”已上线

152. 【人工智能】智能体的开发, 知识库

153. DeepSeek

154. 11月6日Kimi-k2-thinking模型发布

155. Kimi K2 Thinking 模型发布并开源，全面提升 Agent 和推理能力｜Z News

156. Claude重磅更新：动态工具搜索与编程调用上线，AI Agent迎质变

157. 全球最强开源视觉智能体？Kimi K2.5到底强在哪儿？

158. 【AI观察】杨植麟内部信，聊聊Kimi的“与众不同”之路

159. 用不完 Claude Code 额度？你还可以这样高效调用

160. 从“缸中之脑”到“OK Computer”：实测Kimi最新的超级智能体

161. 月之暗面重磅发布“OK Computer”Agent模式，Kimi K2模型智能体能力再升级

162. Claude Skills 最佳实践与开发指南

163. AI Agent与Agentic AI：从单一智能到协作智能的飞跃！

164. Kimi震撼发布全新Agent模式\

165. Snowflake携手Anthropic推进智能体AI战略部署

166. 新闽江网 | 深耕 Agentic 智能时代：Kimi 2025 技术突破与 AGI 征途

167. 用AI开一场新产品“策略会”｜Kimi与AutoGLM智能体用1小时帮我跑完一周调研

168. Kimi K2 Thinking 封神！6 大功能让 AI 主动干活，1 分钟顶 3 小时

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

170. 1分钟搞明白什么是Agent？Agent与普通大模型的区别?

171. 给 Claude Code 装个"插件商店"：42Plugin

172. 一篇详解什么是AI Agent！

173. 面试官：Agent 和普通 LLM 应用区别是？

174. Anthropic Claude Opus 4.5发布，编程能力超越人类

175. 智能体通用架构及行业应用

176. 拒绝“依赖地狱”！Claude Code + Docker才是 AI 编程的终极形态

177. Kimi发布并开源K2.5模型：支持百智能体集群与原生多模态，多项能力达开源SOTA

178. 一文详解AI Agent，什么是AI Agent（智能体）为什么要学习AI Agent?

179. 【中英字幕】Anthropic内部访谈：如何用Claude构建高效Agent和多智能体

180. 破局企业级AI智能体服务，Anthropic二亿美金牵手Snowflake

181. Kimi 发布并开源 K2.5 模型，带来全新视觉理解、代码和 Agent 集群能力

182. [翻译] 用 Claude Agent SDK 开发智能体

183. Anthropic推出Chrome浏览器AI智能体Claude

184. Claude Code 分享智能体编码的技巧和未来

185. 【译】使用 Claude Agent SDK 构建智能体

186. AI 编程新范式：Anthropic Claude Code 深度集成 Slack

187. 掌握Claude Code三大工具调用方式，释放AI无限潜能

188. 月之暗面发布 Kimi K2.5：一款开源的视觉智能体模型，具备原生群体执行（Swarm Execution）能力

189. 干货！2025年AI Agent超100页全景报告：MCP、RAG、实战案例

190. Claude Code 如何用“智能体”重塑软件开发流程

191. 【Claude】全网最新超详细ClaudeAPI KEY调用教程！（claude-4.5）

192. 中国AI三箭齐发：阿里千问刷新全球纪录，DeepSeek、Kimi同日重大升级

193. Pattern | Claude都出4.5了，你还不懂工具调用的架构革命（7）

194. Kimi升级到K2.5，一手测评!

195. 2026智能体浪潮：国产模型崛起，AI Agent重塑千行百业

196. Kimi 入驻 GitCode｜Kimi K2 Thinking 模型发布并开源，全面提升 Agent 和推理能力

197. 非Claude Code工具使用Claude Skills完整指南：基于OpenSkills开源

198. 使用 Claude Agent SDK 构建智能体

199. Kimi（月之暗面）发布K2.5开源模型，首创“代理群”开启Agent“范式革命”

200. Anthropic推出Claude协作功能，强化AI智能体能力

201. 零基础搭建学术智能体：AI时代文科生科研效率倍增秘籍

202. Kimi K2.5: 1T参数多模态支持Visual Coding

203. 月之暗面推出开源 Agent 模型 Kimi K2.5

204. 智能体工具5种分类基于 LangGraph 框架的五种智能体工具类型： #智能体 #工具 #Langgraph #Langchain 工作流模式节点 1. Http调用节点：直接触发HTTP API获取结果 2. 工具调用节点：流程到达即执行固定工具调用智能体模式节点 3. 工具集节点：智能体自主选择工具集中工具 4. 智能体工具节点：自定义工具供智能体调用，执行固定工作流并返回消息 5. 任务移交节点：子智能体汇合分发任务，回收结果返回supervisor智能体

205. VSCode中通过Claude Code Router和Claude Code Chat可视化的使用claude code（支持调用第三方api）—— 转载

206. Kimi K2.5 模型发布并开源：支持视频理解、100个Agent集群与SOTA编程能力

207. 大模型Agent：人工智能的新飞跃

208. 月之暗面开源Kimi K2.5模型，支持多模态及Agent集群能力

209. Kimi K2.5 Thinking发布！下载次数已到9.9K

210. 使用Claude 智能体SDK构建智能体程序

211. 使用 Claude Agent SDK 构建 AI 智能体

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！