单智能体够用，多智能体才高效？任务可分解性与容错需求决定AI架构选择_服务软件

1. 千亿智能体爆发前夜，谁来保护我们的AI安全？｜甲子光年

2. 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

3. #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

4. 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

5. 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

6. 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

7. 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#

8. 《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

9. 未来智能体不能把它看成软件，它可以把大模型的专业能力提炼出来 #大咖观察 #红衣聊AI

10. 阿里 Qwen 内部组建具身智能团队，释放了哪些行业信号？如何看待当下大模型和机器人领域的关系？

11. 中小企业千万别错过！2025华为坤灵秋季新品发布会！#华为坤灵#灵的不止一套#华为坤灵助力中小企业跃升智能化

12. 当AI从工具人变成“打工人”，你的工作会被重新定义吗？ #大咖观察 #红衣聊AI #黄仁勋 #AI人工智能

13. 长安全新的天枢智能，核心是打通“驾驶、座舱、底盘”三条线，不再“单兵作战”而是变成一体化智能体。智能驾驶端到端架构，高速匝道98%成功通过，200米外就能预判夜间风险，座舱大模型就是专属助理，能一句话让语音办成的事，就不用多浪费口水，智能底盘能做到10级侧风稳控、225km/h爆胎可控，安全拉满，新长安持续发力中。#2025广州车展##新长安新安全天枢智能#

14. OpenAI 如何打造AI原生工程团队的最佳实践《Building an AI-native engineering team》，归纳如下。文档介绍了团队应该如何真正把 AI 智能体嵌入工程体系，从计划、设计、开发、测试到上线运维形成闭环，加速整个 SDLC（软件开发生命周期）。1. 规划（Plan）规划往往需要大量代码语境理解，过去必须依赖资深工程师反复澄清。文档强调可以先让智能体读取需求、遍历代码库、标记模糊点、拆分工作项，把早期对齐成本显著降低。团队应该做的是专注决策、风险判断与优先级。因此，智能体不止是“辅助写代码”，而是可以提前介入需求—代码映射，用它来减少来回沟通。2. 设计（Design)设计通常被大量样板工作拖慢，例如项目结构初始化、组件框架搭建、样式规范套入。文档强调应让代理完成“从设计 → 组件 → 代码”的流水线式生成，再由工程师审阅架构一致性和 UX 合理性。设计阶段不是用 AI 画原型，而是让智能体直接产出“可运行验证的版本”，显著减少返工。3. 构建（Build）这是 AI 代理提升最明显的阶段。文档给出的最佳姿势，是让智能体负责端到端的初稿实现，包括模型、API、UI、测试和文档，工程师则把精力转向性能、架构、长期可维护性。构建阶段应把 AI 视为“第一实施者”。工程师不再负责逐行写，而负责判断生成方案是否符合系统演进方向。4. 测试（Test）随着智能体承担更多实施工作，测试反而成为工程师控制质量的主轴。最佳实践是让智能体生成测试用例、补全边界场景，并在代码变更后更新测试。不要只让智能体写代码，要让它写测试、跑测试、基于失败结果迭代；测试越强，智能体越可靠。5. 代码审查（Review）智能体可以持续、稳定地进行第一遍代码审查，尤其擅长发现逻辑漏洞、竞态、错误的数据库访问方式等。工程师则聚焦架构一致性与复杂变更的判断。AI 审查不是为了“更快合并”，而是为了“减少重大缺陷进入主干分支”。工程师的关注点应从细节检查转为整体正确性。6. 文档与知识沉淀（Document）智能体非常擅长根据代码生成结构化说明、依赖图和变化总结。最佳做法是把文档维护接入流水线，例如在发布流程中让智能体自动产出变更摘要，并由工程师确认关键部分。把文档写作视为“可自动化的持续任务”，而不是阶段性集中补齐。7. 部署与运维（Deploy & Maintain）让智能体读取日志、Trace、部署记录，再结合代码自动定位可能问题，并给出可行修复。工程师负责判断、确认和实施关键决策。在运维中使用智能体的关键不是预测故障，而是让其整合多源上下文，减少人工排查时间。重点：团队角色的重定义文档贯穿始终的主题是三个动词：Delegate、Review、Own。1 工程师应把重复性、结构化的工作交给智能体。2 工程师需要对智能体产出进行审阅，但专注关键决策点。3 工程师必须对系统的长期演进负责，对所有上线内容最终背书。AI-native 团队不是“工程师被取代”，而是“工程师从执行者变成决策者与架构塑造者”。#微博兴趣创作计划##人工智能#

15. 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

16. 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

17. 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

18. 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”。

19. 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

20. 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

21. 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

22. 【#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。

23. 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#

24. #吉利发布行业首个真AI座舱#吉利宣布，聚焦一个座舱，整合集团研发力量，推出全球首个AI座舱操作系统Flyme Auto 2与超拟人情感智能体Eva，彻底告别人找功能的传统交互。Eva基于星睿AI大模型、阶跃语音大模型等深度融合，能思考、能规划、能执行，甚至能情感陪伴。从端到端语音到拟人级情感计算，从流动记忆到全场景Agent生态，她让车真正“活”了起来。这背后是吉利5层AI原生架构的支撑：云端星睿中心2.0算力达23.5 EFLOPS，车端AI Box拥200TOPS NPU算力，行业首发70亿参数端侧多模态大模型，实现拟人思考。软件层面，吉利更是全球首个将LangChain智能体框架移植车机的品牌。领克10 EM-P与银河M9将首发这套系统，老用户也可通过OTA升级。从此，AI不只属于高端车型，而是普惠每一位吉利用户。吉利正在做的，是让AI成为车的灵魂。

25. 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

26. 从车到机器人：一颗“超强大脑”如何重塑万物 #科技改变生活#AI新星计划#地平线#具身智能#智能辅助驾驶

27. #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。

28. #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！

29. #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。

30. #吉利发布行业首个真AI座舱#身边有朋友看了我发的朋友圈就问我呢，吉利这AI座舱听起来真不错，能带来什么具体的提升呢？这AI座舱真有前景，未来开车会更方便吗？一句话，它把人找功能变成了功能找人。全球首发的Flyme Auto 2 AI座舱操作系统，加上情感智能体Eva，彻底让车子活了。• Eva由星睿AI大模型、阶跃语音大模型深度融合而成，会思考、会规划、会执行，还能提供情绪价值。• 云端星睿中心2.0算力23.5 EFLOPS，车端AI Box自带200 TOPS NPU，首发70亿参数端侧多模态大模型，实现拟人级反应。• 吉利把LangChain智能体框架首次搬到车机，构建5层AI原生架构，端到端语音、流动记忆、全场景Agent生态一步到位。目前会有领克10 EM-P、吉利银河M9率先上车，咱们的老用户后续也能OTA升级。智驾、座舱全面革新，Eva像贴身伙伴：提前规划路线、自动调节氛围灯、音乐、导航无缝配合，把汽车从代步工具升级为移动智能生活舱——未来出行，稳了！

31. Anthropic：高效构建 AI 智能体的上下文工程

32. RAG、LangChain、Agent 到底有什么关系？

33. 什么是 AI 智能体？

34. 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」！

35. 【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#

36. Cursor 如何将其编程智能体投入生产环境

37. 在这场AI时代的竞争中，安全智能体正是破局的关键。 #大咖观察 #红衣聊AI #智能体 #网络安全

38. 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

39. 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

40. 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

41. #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。

42. 2026年智能体将会迎来快速增长期，会成各个企业的重点的投资和发展对象。国内将加速推动 “人工智能 +” 等重点领域的应用场景培育；旧金山的 Halper AI 正式成立，专注于简化 AI 部署流程，帮助面临资源和技术门槛的中小企业实现 AI 数字化转型；2025 首尔人工智能峰会，全球 70 余家企业顶级科技企业探共同探讨讨智能体在多领域的渗透。国内预计 2028 年企业软件中整合自主型 AI 的比例将从 2024 年的不足 1% 飙升至 33%，15% 的日常工作决策将由智能体自主完成。政策扶持将加速智能体在制造、医疗、金融等领域的渗透，形成通用智能体平台加行业专用解决方案的产业格局。#AI生活指南##AI创造营##一分钟视频创作季# 种斌Marco的微博视频

43. 泰山先进发布新一代具身智能体平台重构城市数字与物理世界连接2025年12月，泰山先进技术团队正式推出具身智能体融合平台，通过“叙事-实体-融合”技术，将物理世界中的设备、人员、场景转化为可自主交互、协同的智能体，实现数字世界与现实场景的深度耦合。该平台核心特性包括三大创新：一是虚实融合的智能体模型，通过本体（物理实体）、实体（数字映射）、虚体（AI能力载体）三层架构，让路灯、环卫车、垃圾桶等设备具备拟人化对话与自主决策能力——例如灌溉设备可结合天气预报自动调整作业计划，智能厕所能实时反馈使用状态；二是生产关系约束机制，严格遵循现实场景中的组织规则（如环卫班组分工），确保智能体通信与协同符合业务逻辑；三是跨平台协同协议，突破现有MCD、API等协议限制，实现多行业智能体的无缝对接。目前平台已在智慧环卫领域落地验证，并快速扩展至农业（蔬菜大棚智能设备管理）、文旅（苏州平江路街区游客服务）等场景。其产品架构采用“双引擎”模式，在不改造客户现有业务系统的前提下，通过“智能体中间层”实现快速部署，支持SaaS与私有化两种模式。据团队透露，该技术与国务院《人工智能行动意见》中“设备与智能体融合”方向高度契合，未来将推动城市向“全要素智能体互联”的下一代互联网形态演进。相关技术细节可通过泰山先进公众号查询。

44. 继昨天Google Agents 白皮书（网页链接），我们今天把mcp的白皮书也总结一下。 Agent Tools & Interoperability with Model Context Protocol (MCP)这应该是目前 MCP 体系最系统的白皮书（之一）了吧，通篇结构清晰，既讲了工具在智能体系统中的定义和设计原则，又深入分析了 MCP 在技术架构、安全与治理方面的优势与风险。1. 工具是智能体的“手与眼”。大模型本质上只是一个模式预测引擎，不能主动感知世界或执行动作。工具让模型拥有了外部交互能力，也因此成为智能体系统的核心组件。文中对工具类型有很清晰的划分：Function Tools（函数调用型）、Built-in Tools（内置工具）和 Agent Tools（智能体级调用）。特别有意思的是，Agent 本身也可以被封装成一个 Tool，这意味着多智能体系统可以通过“工具接口”彼此互操作。2. 工具设计的关键是可解释与细粒度。文档强调“Describe actions, not implementations”，也就是工具描述应聚焦行为语义，而非实现细节。并提出几个值得长期遵守的设计准则：文档清晰、输入输出有 schema 验证、输出简洁、错误信息具引导性。这些看似“文档规范”的建议，其实是让 LLM 能在推理过程中正确选择与调用工具的前提。3. MCP 出现的根本原因，是为了解决“N×M 集成问题”。过去模型和外部系统之间的连接高度碎片化，每个工具都要单独适配。MCP 通过标准化接口和通信协议把模型、工具和数据源解耦，形成“Host–Client–Server”的三层结构，从而实现了可复用、可组合、可动态发现的工具生态。4. MCP 的优势在于生态与扩展性。它让工具注册、发现与调用变得统一，支持动态工具加载，这使得智能体系统不再需要在部署前定义好所有能力。文中提到 MCP Registry 的构想（类似 npm 或 PyPI），也许会形成 AI 工具层的“包管理体系”。这将极大加速企业级智能体生态的互通。5. 但 MCP 也带来了新的安全威胁。白皮书后半部分几乎一半篇幅都在讨论风险，包括： 1）Dynamic Capability Injection：服务器可动态更改工具集，导致智能体意外获得高危能力； 2）Tool Shadowing：恶意工具通过相似描述“抢占”合法工具调用； 3）Confused Deputy 问题：智能体误用自身权限代替用户执行越权操作； 4）数据泄露与 prompt 注入：通过工具输入输出通道泄露敏感信息。文中提出的防御策略（如工具白名单、版本固定、mTLS、HIL 审批、输出净化、最小权限原则等）都是非常实用的企业级落地建议。6. MCP 的发展路径很可能会复现云计算早期的模式——底层协议开放，但企业实际使用都建立在“托管与治理层”之上。未来我们也许会看到“安全版 MCP 平台”，它提供身份管理、审计追踪、工具签名验证、访问控制等功能，就像当年的 API Gateway 成为了 REST 的守门人。7. 另一点值得注意的是“上下文膨胀”问题。文中指出，当 MCP 工具数量增多时，所有工具定义都要塞入模型上下文，会导致 tokens 暴涨、推理性能下降。文中提出用“RAG 化的工具检索”替代预加载——先检索，再动态注入。有个名词叫“ToolRAG”。MCP 已经成为智能体生态走向工业级互操作的关键里程碑，但它还远没到“可直接上生产”的成熟阶段。未来的重点不在于“协议标准”，而在于“安全与治理层”的建设。只有当工具、智能体与企业系统之间的边界被有效约束，Agent 才能在真正意义上成为可信的“行动者”。#ai创造营# #程序员#

45. Effective Agent Design概述了高效AI智能体（Agent）设计的核心原则，强调上下文管理是提升自主性的关键挑战。1. 现代智能体正趋向于采用类Unix架构，通过赋予模型访问文件系统与命令行（CLI）的权限，来扩展其行动空间并减少对模型内置窗口的依赖。2. 详细讨论了上下文工程的多样化策略，包括利用渐进式披露来优化工具调用、通过缓存技术降低成本，以及利用子代理隔离来处理复杂任务。3. 文章预判了持续学习与自我进化的趋势，即智能体能反思过去经验以更新记忆或技能。4. 展望了多智能体协作与长期运行任务的基础设施建设将成为未来的重要演进方向。访问：x.com/RLanceMartin/status/2009683038272401719#ai创造营# #程序员#

46. LangChain 提供了三种层级的技术架构和抽象，该怎么选？1. LangChain 被定义为一种智能体框架，通过高度抽象的组件让用户能够快速搭建基础的自治应用。2. LangGraph 则作为运行环境，为需要精细化控制和持久化执行的复杂工作流提供底层支持。3. Deep Agents SDK 为一种增强型组件，它集成了任务拆解、文件管理和子代理协作等高级功能，适用于处理大规模且耗时较长的任务。#HOW I AI# #程序员#

47. 智能体设计模式总结

48. 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

49. #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!

50. 「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

51. 这期我们从《答案之书》智能体入手，再把它丢进“工厂”，看一个智能体如何在华为云MaaS中被生产、度量、复用。5分钟一条视频讲明白智能体是否真的能落到业务场景？华为云MaaS是不是真的企业级AI应用的“版本答案”？#AI# #人工智能# #华为云# GenJi是真想教会你的微博视频

52. #科技先锋官# 2026年AI代理预测将成为驱动产业效率革新的核心力量，也因此被业界定义为AI代理年。企业无需专业团队即可快速部署，让AI代理高端配置变为普惠工具，企业级需求的爆发成为核心推力。数据显示，2026年全球AI代理市场规模预计达85亿美元，企业级应用覆盖将超10万家。过去AI多聚焦单一基础场景，而AI代理可自主理解目标、规划流程并执行复杂任务，在客服、销售、运维等领域大幅提升效率，这种一站式解决能力精准匹配了企业降本增效的核心诉求。随着算力租赁模式成熟与国产芯片技术突破，2026年企业AI算力成本较上年再降40%。以往中小企业因百万级训练成本望而却步，如今通过按需租用模式，算力投入门槛降至传统模式的1/10，加上动态扩缩容技术提升资源利用率，即使是中小微企业也能负担AI代理应用，为市场爆发奠定了基础。AI代理已突破早期对话局限，具备多模态交互、上下文理解与跨系统集成能力。依托检索增强生成与自主学习技术，其任务处理准确率超95%，可无缝对接企业CRM、订单系统等核心平台。MaaS模式将复杂技术封装为标准化服务。#AI创造营##AI创作热点##一分钟视频创作季# 种斌Marco的微博视频

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

54. 天禧 AI 个人超级智能体，旨在成为 AI 时代的「应用商店」和「搜索引擎」。原因很简单，未来单个智能体很难完成用户的复杂任务，需要多个智能体协作完成。为此，联想提供了天禧智能体连接服务，符合要求的开发者即可将自家产品接入，为联想用户提供更丰富的智能体服务。联想在这中间扮演的是「经纪人」的角色，为不同需求的用户，寻找对应的智能体服务。这个模式，应该是未来 AI 终端厂商的其中一个发展方向。

55. 清华校友出手，8B硬刚GPT-4o！单一模型无限工具调用，终结多智能体

56. Leonie Monigatti深入剖析了AI代理中的记忆演进，从最初的RAG（检索增强生成）到Agentic RAG，再到具备读写能力的Agent Memory，厘清了这一系列技术的核心逻辑与突破。RAG诞生于2020年，其核心是将离线存储的外部知识检索进LLM上下文，解决模型记忆有限带来的问题。但其“单次检索”与“只读”限制导致复杂场景下仍有误导风险。Agentic RAG引入了“工具调用”机制，允许智能体主动判断是否需要检索、选择检索工具，并评估检索结果相关性，显著提升了灵活性和准确性，但仍无法动态学习和更新信息。Agent Memory则迈出关键一步：支持智能体不仅读取，还能写入和管理外部记忆，实现基于历史交互的持续学习和个性化体验。它将记忆从“静态”转变为“动态”，但也带来了记忆管理和遗忘机制的新挑战。这三者共同体现了信息“存储-检索-编辑-删除”的完整闭环，也反映了AI系统从单点知识调用向复杂记忆体系演进的趋势。未来，如何设计高效的多源、多类型记忆管理策略，将是提升AI智能和人机交互体验的关键。详细内容及代码示例请见原文：leoniemonigatti.com/blog/from-rag-to-agent-memory.html

57. 容忍摸鱼、支持顾家、会用智能体！ #大咖观察 #红衣聊AI #职业技能

58. 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

59. 「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

60. 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#

61. 天禧AI，历经“筑基”、“聚合”、“破界”，三个阶段跃升，致力于推动个人AI的普惠。其核心是“一体多端”战略下的天禧个人超级智能体，具备感知、理解、记忆、规划、调度五大能力。最新版本天禧AI 3.5实现了三大维度飞跃：个性化上，通过主动记忆和知识库管理，能持续学习用户习惯；行动力上，借助多智能体协同协议（MCP），可安全调度不同AI工具高效完成复杂任务；交互体验上，提供跨设备统一的智能界面。应用场景也从信息查询扩展至生产力、内容创作等多个行业。天禧AI 4.0也即将到来，将进一步向主动服务的“个人AI Twin”演进。联想强调将持续推进“AI普惠，技术平权”的战略愿景，让AI成为惠及每个人的智能伙伴。

62. #如何重新定义人车关系#华为鸿蒙座舱的MoLA架构，核心是混合大模型Agent技术融合与全链路智能化设计，从技术底层重塑座舱交互体验。其亮点集中在三大维度：首先是多模型协同架构，深度融合盘古、DeepSeek等通用大模型与垂域智能体，通过层级专家分配策略优化计算资源，在降低40%参数量的同时保障性能，实现从语义理解到硬件执行的端到端链路贯通。其次是多模态感知与自然交互能力，基于视、听、触等五感协同技术，突破传统指令限制，支持边说边改、多轮纠错的语音交互，模糊语义与复杂条件指令均能精准解析，让导航规划、车控操作更贴合日常交流习惯。最后是软硬协同与全场景适配，纵向打通应用、车机与硬件层，横向覆盖出行、娱乐等全场景，通过鸿蒙生态API与控车API的有机整合，实现主动故障预警、个性化关怀等智能服务，同时凭借模块化设计适配不同硬件配置，兼具灵活性与扩展性。#2025广州车展##大v聊车#

63. 为什么在生产环境部署多智能体系统（Multi-Agent）容易出现成本失控，有哪些常见的踩坑场景？

64. 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

65. 「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

66. 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

67. #微博声浪计划##听见微博# 谷歌最强大AI模型来了！Gemini 3在推理、数学、多模态等测试全面领先，支持百万token长上下文，已整合至谷歌搜索，开放智能体功能。其性能突破重新定义AI边界，被视为谷歌反超OpenAI的关键一步。乖乖Show的微博音频

68. Bash Is All Agent Need：Anthropic 重新定义智能体开发

69. Agent Skills使用指南：让AI智能体拥有“即插即用”的超能力

70. 99%的人都搞错了AI Agent？智能体该如何帮企业赚钱？

71. 一键批量部署、一划切换工作状态：真正的为企业而生，华为全新操作系统鸿蒙电脑企业版深度体验！

72. 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#

73. 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#

74. 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

75. 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

76. 心心念念的#吉利发布行业首个真AI座舱#终于来了，通过统一的AI操作系统架构、智能体和用户ID，打造能实现“人-车-环境”自主协同的智慧空间，而且吉利要并止开发不具备AI能力的传统智能座舱。此次，吉利发布了全球首个可大规模上车的超拟人智能体Eva，以及基于5层AI座舱原生架构的新一代操作系统Flyme Auto 2，领克10 EM-P和吉利银河M9将率先搭载该系统。这次吉利的AI座舱算力应该说非常强，云端星睿中心2.0综合算力达23.5 EFLOPS，车端AI Box拥有200TOPS算力，还首发了70亿参数端侧多模态大模型。原生AI OS架构实现软硬件解耦，且移植了智能体编程框架，我们想要的座舱能主动提供服务，吉利可以提供了另外，Eva不同于传统语音助手，能自主判断、规划和执行任务，具备情感交互能力，还首搭流动记忆功能。Flyme Auto 2则带来实况桌面、Alive壁纸等创新体验，后续符合条件的老车型也可通过OTA升级。

77. AI智能体也卷起来了？又懂业务又不用搭工作流…

78. 使用 AI 智能体构建应用 2.4 架构设计模式

79. 如何选择多智能体架构

80. 从单 Agent 到多智能体系统

81. Skills 还是 SubAgents

82. 一个还是多个？智能体系统架构选择的终极指南

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

84. 单智能体 vs 多智能体协作？我们汇总了128位用户真实观点，结论在这

85. 多智能体系统实战

86. 如何选择合适的多智能体架构

87. 2025年底多智能体架构规模化落地，适用边界与工程标准明确

88. 2026 年智能体架构综述

89. 多智能体架构如何实现意图理解、规划与工具调用的解耦

90. 一期视频带你讲清楚

91. 如何为你的AI系统选择合适的多智能体架构？

92. 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

93. 别再往一个智能体里塞功能

94. AI Agent架构的灵魂拷问

95. 什么是多智能体系统？-AI小知识

96. 不知道什么是多智能体系统？看这篇文章就够了！

97. 智能体（Agent）基本概念与概述

98. Handy Multi Agent: task03 多智能体

99. AI算法大模型面试 | 多agent怎么协作

100. 智能体 - 定义 | 智能体和ai的区别 | 智能体平台盘点 | AI行业科普

101. AI 智能体入门

102. 什么是 AI 智能体？谷歌2025AI智能体(Agents)白皮书深度解读（一）

103. LangChain 1.0 VS LangGraph 1.0

104. AI系列-LangChain的关键特性和适用场景是什么？

105. 微软AutoGen

106. AutoGen 框架入门——构建你的第一个多智能体应用（二）

107. AutoGen

108. 三大AI智能体框架终极对决

109. 多智能体协作 Multi-Agent | Agentic Design Patterns | 智能体设计模式

110. 多智能体协作机制

111. 2026年多智能体协作元年已至，办公与开发场景效率提升获实证

112. 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

113. Agent设计模式（七）

114. 多智能体协作（Multi-Agent Collaboration

115. Anthropic最新思考，什么时候才真的需要构建多智能体？

116. 多智能体架构怎么选？别再一股脑堆AI了，先看这篇四种模式

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

118. 一文搞懂多智能体协同机制

119. 《智能体设计模式》之多智能体协作模式

120. 多智能体协作在企业场景中是否已具备落地能力？

121. 多智能体协作

122. 我开发的智能体系统看似强大，却只是个工业垃圾

123. AI Agent的进化

124. 多智能体协作为什么这么难

125. Claude最新论文原文:构建多智能体系统

126. 谷歌最新智能体论文

127. claude官方揭秘

128. 单智能体vs多智能体，推荐这篇论文

129. DeepMind 新研究

130. AI Agent 避坑指南

131. 智能体系统何时以及为何有效 | Google Research

132. Google Research 180次实验发现

133. DeepMind 新研究

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

135. 【Daily Paper】自演进AI智能体

136. 用40+大模型探索:多智能体能力能否自发涌现

137. 多智能体系统架构解析

138. 多智能体协作写代码

139. 大模型智能体的阶段分类与演进

140. 如何设计生产级的智能体架构？从模块化到高效运行的实现路径

141. 智能体架构五维解析

142. 智能体来了，从 0 到 1 实现一个可持续运行的系统

143. 通过进化协调实现多智能体协作

144. AI智能体协作新范式：多智能体系统架构详解，程序员必备（建议收藏）

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

146. 智能体：概念、工作原理与发展路径解析

147. AI智能体系统扩展规律研究：何时何原因有效

148. 使用 Microsoft AutoGen 构建多智能体工作流

149. 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

150. AI智能体架构指南——从智能体能力到用户体验

151. 拒绝传统 Router“瞎指挥”，多智能体如何实现智能任务分配？

152. 多智能体协同：效率提升的利器还是复杂度陷阱？

153. 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

154. 智能体系统：生产系统AI智能体的缺失架构

155. Agentic网络：为何多智能体系统将定义网络自智？

156. 选择一套“会思考”的架构：LLM 智能体推理与工作范式解析

157. QuantAgent: 基于多AI智能体大语言模型高频交易系统

158. AI智能体（AI Agent）核心定义+企业适配选型指南

159. 企业级落地多智能体系统的7种架构设计模式

160. 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

161. 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

162. Agentic设计模式（7）：多智能体协作（Multi-Agent Collaboration）

163. 为何多智能体（Multi-Agent）系统离不开记忆工程

164. 微软AutoGen框架介绍

165. 「4 种智能体架构」一张图看懂选哪个

166. 多智能体协作：企业投入的明智之选还是资源浪费？全网观点大PK

167. LangGraph多智能体1

168. LangGraph框架总结

169. AI 原生应用架构白皮书随记（二）

170. 多智能体系统崛起：个人效率倍增，企业组织重构在即

171. 大模型智能体入门到精通：一篇搞定LLM智能体核心知识

172. 多智能体高阶使用

173. 智能体架构设计

174. 智能体搭建实战指南：从核心架构与技术选型到企业级落地

175. LLM 全新智能体架构：核心组件、工作流程与设计模式全解析

176. 《从碎片到整体：智能体系统的"先分后合"构建策略》

177. 多智能体人工智能解决方案

178. 大模型热门智能体框架详解（三）AutoGen、LangChai、CrewAI

179. 你应该了解的顶级AI智能体框架

单智能体够用，多智能体才高效？任务可分解性与容错需求决定AI架构选择

精选参考来源