当前位置：

社区首页

电脑数码

智能设备

智能机器人

AIGC文章详情

30分钟打造你的AI数字员工：零代码小白也能上手的智能体搭建指南

源自202位全网作者

02-16 09:01

精选参考来源

MIT 这篇报告的关键内容↓STATE OF AI INBUSINESS 2025★ 执行摘要1. 投入300-400亿美元，95%零回报：尽管企业在生成式AI上投入巨大，但只有5%的试点项目带来了可衡量的利润影响。2. "生成式AI鸿沟"：广泛采用（如ChatGPT、Copilot等工具）与低转型率（鲜有集成化、可学习的系统）并存。3. 障碍：问题不在于监管、基础设施或人才，而在于学习。现有工具无法保留反馈、适应或随时间改进。4. 赢家：一小部分买家和供应商通过要求/定制能够在工作流中学习适应的系统而取得成功。★ 身处生成式AI鸿沟的错误一侧1. 采用 ≠ 颠覆： 9个行业中有7个未见结构性变化。只有科技和媒体行业出现了有意义的转变。2. 试点到生产的差距： 95%的自定义企业AI工具未能进入生产阶段；只有5%成功。ChatGPT被广泛使用，但在关键任务工作流中失败。3. 影子AI经济：员工使用个人ChatGPT/Claude账户的频率远高于官方企业工具（使用率90% vs 企业采购率40%）。这通常能带来更好的投资回报率。4. 投资偏见：约70%的预算流向销售/营销，但最大的投资回报率在于后台办公自动化（采购、财务、运营）。★ 跨越鸿沟 – 构建者（供应商）1. 制胜策略： - 专注于狭窄、高价值的用例（合同自动化、语音AI、代码生成）。 - 构建能够从反馈中学习并深度嵌入工作流的系统。 - 通过推荐、合作伙伴关系以及与现有供应商的集成（渠道驱动采用）来赢得信任。2. 时机风险：机会窗口正在关闭。企业将在未来12-18个月内"锁定"自适应系统。一旦工作流程被训练到工具中，转换成本将急剧上升。★ 跨越鸿沟 – 购买者（企业）1. 自建 vs 购买：外部合作伙伴的成功率大约是内部自建的2倍。2. 最佳实践： - 像对待业务流程外包/咨询公司一样对待AI供应商（要求其对结果负责，而不仅仅是演示）。 - 自下而上采用：授权一线经理和"专业消费者"（已经在使用ChatGPT的前线用户）领导推广。 - 要求深度定制、数据安全、与现有工具集成以及适应性。- 投资回报率存在于被忽视的领域：前台办公：更快的潜在客户资格审核，更好的客户保留。后台办公：节省200-1000万美元的业务流程外包费用，减少30%的代理支出，内部化风险检查。★ 劳动力影响1. 尚未出现大规模裁员：岗位替代是有针对性的（客户支持、行政处理、外包开发任务）。2. 主要影响：受冲击行业（科技、媒体）的业务流程外包/代理支出减少以及招聘增长放缓。3. AI素养成为核心招聘筛选条件：许多高管更看重工具熟练度而非工作年限。★ 下一个前沿 – 智能体网络1. 超越智能体： "智能体网络"将使自主系统能够在互联网上进行协商、交易和集成。2. 转变：从孤立的SaaS → 使用MCP、AZA和NANDA协议的可互操作智能体。3. 结果：企业从提示驱动转向协议驱动的自动化，智能体跨流程自我协调。★ 核心洞见1. 高采用率，低回报率：大多数组织在试验生成式AI，但只有极少数实现了转型。2. 学习是瓶颈：缺乏记忆+适应性阻碍了工作流程的扩展。3. 影子AI揭示了有效方法：个体员工比官方企业部署更快地推动投资回报率。4. 自建 → 购买的转变：外部合作伙伴的成功率是内部自建的两倍；内部自建大多失败。5. 后台办公是隐藏的金矿：真正的回报率在于消除业务流程外包和节省运营成本，而非前台办公的营销炒作。6. 智能体网络即将到来：企业必须立即锁定自适应的、智能体化的系统——否则将面临永久落后的风险。报告：www.artificialintelligence-news.com/wp-content/uploads/2025/08/ai_report_2025.pdf#人工智能##ai创造营#

蚂蚁灵光，30秒生成专属程序，普通人也能手搓代码 #蚂蚁灵光 #AI #阿里

全部
来源

内容由AI生成

1. MIT 这篇报告的关键内容↓STATE OF AI INBUSINESS 2025★ 执行摘要1. 投入300-400亿美元，95%零回报：尽管企业在生成式AI上投入巨大，但只有5%的试点项目带来了可衡量的利润影响。2. "生成式AI鸿沟"：广泛采用（如ChatGPT、Copilot等工具）与低转型率（鲜有集成化、可学习的系统）并存。3. 障碍：问题不在于监管、基础设施或人才，而在于学习。现有工具无法保留反馈、适应或随时间改进。4. 赢家：一小部分买家和供应商通过要求/定制能够在工作流中学习适应的系统而取得成功。★ 身处生成式AI鸿沟的错误一侧1. 采用 ≠ 颠覆： 9个行业中有7个未见结构性变化。只有科技和媒体行业出现了有意义的转变。2. 试点到生产的差距： 95%的自定义企业AI工具未能进入生产阶段；只有5%成功。ChatGPT被广泛使用，但在关键任务工作流中失败。3. 影子AI经济：员工使用个人ChatGPT/Claude账户的频率远高于官方企业工具（使用率90% vs 企业采购率40%）。这通常能带来更好的投资回报率。4. 投资偏见：约70%的预算流向销售/营销，但最大的投资回报率在于后台办公自动化（采购、财务、运营）。★ 跨越鸿沟 – 构建者（供应商）1. 制胜策略： - 专注于狭窄、高价值的用例（合同自动化、语音AI、代码生成）。 - 构建能够从反馈中学习并深度嵌入工作流的系统。 - 通过推荐、合作伙伴关系以及与现有供应商的集成（渠道驱动采用）来赢得信任。2. 时机风险：机会窗口正在关闭。企业将在未来12-18个月内"锁定"自适应系统。一旦工作流程被训练到工具中，转换成本将急剧上升。★ 跨越鸿沟 – 购买者（企业）1. 自建 vs 购买：外部合作伙伴的成功率大约是内部自建的2倍。2. 最佳实践： - 像对待业务流程外包/咨询公司一样对待AI供应商（要求其对结果负责，而不仅仅是演示）。 - 自下而上采用：授权一线经理和"专业消费者"（已经在使用ChatGPT的前线用户）领导推广。 - 要求深度定制、数据安全、与现有工具集成以及适应性。- 投资回报率存在于被忽视的领域：前台办公：更快的潜在客户资格审核，更好的客户保留。后台办公：节省200-1000万美元的业务流程外包费用，减少30%的代理支出，内部化风险检查。★ 劳动力影响1. 尚未出现大规模裁员：岗位替代是有针对性的（客户支持、行政处理、外包开发任务）。2. 主要影响：受冲击行业（科技、媒体）的业务流程外包/代理支出减少以及招聘增长放缓。3. AI素养成为核心招聘筛选条件：许多高管更看重工具熟练度而非工作年限。★ 下一个前沿 – 智能体网络1. 超越智能体： "智能体网络"将使自主系统能够在互联网上进行协商、交易和集成。2. 转变：从孤立的SaaS → 使用MCP、AZA和NANDA协议的可互操作智能体。3. 结果：企业从提示驱动转向协议驱动的自动化，智能体跨流程自我协调。★ 核心洞见1. 高采用率，低回报率：大多数组织在试验生成式AI，但只有极少数实现了转型。2. 学习是瓶颈：缺乏记忆+适应性阻碍了工作流程的扩展。3. 影子AI揭示了有效方法：个体员工比官方企业部署更快地推动投资回报率。4. 自建 → 购买的转变：外部合作伙伴的成功率是内部自建的两倍；内部自建大多失败。5. 后台办公是隐藏的金矿：真正的回报率在于消除业务流程外包和节省运营成本，而非前台办公的营销炒作。6. 智能体网络即将到来：企业必须立即锁定自适应的、智能体化的系统——否则将面临永久落后的风险。报告：www.artificialintelligence-news.com/wp-content/uploads/2025/08/ai_report_2025.pdf#人工智能##ai创造营#

2. 蚂蚁灵光，30秒生成专属程序，普通人也能手搓代码 #蚂蚁灵光 #AI #阿里

3. github.com/Tencent/WeKnora 腾讯开源的RAG框架：WeKnora（维娜拉）这是一款基于大语言模型的文档理解与语义检索框架，专为结构复杂、内容异构的文档场景而打造。框架采用模块化架构，融合多模态预处理、语义向量索引、智能召回与大模型生成推理，构建起高效、可控的文档问答流程。核心检索流程基于 RAG（Retrieval-Augmented Generation）机制，将上下文相关片段与语言模型结合，实现更高质量的语义回答。核心特性 🤖 Agent模式：支持ReACT Agent模式，可调用内置工具检索知识库、MCP工具和网络搜索，通过多次迭代和反思给出全面总结报告 🔍 精准理解：支持 PDF、Word、图片等文档的结构化内容提取，统一构建语义视图 🧠 智能推理：借助大语言模型理解文档上下文与用户意图，支持精准问答与多轮对话 📚 多类型知识库：支持FAQ和文档两种类型知识库，支持文件夹导入、URL导入、标签管理和在线录入 🔧 灵活扩展：从解析、嵌入、召回到生成全流程解耦，便于灵活集成与定制扩展 ⚡ 高效检索：混合多种检索策略：关键词、向量、知识图谱，支持跨知识库检索 🌐 网络搜索：支持可扩展的网络搜索引擎，内置DuckDuckGo搜索引擎 🔌 MCP工具集成：支持通过MCP扩展Agent能力，内置uvx、npx启动工具，支持多种传输方式 ⚙️ 对话策略：支持配置Agent模型、普通模式模型、检索阈值和Prompt，精确控制多轮对话行为 🎯 简单易用：直观的Web界面与标准API，零技术门槛快速上手 🔒 安全可控：支持本地化与私有云部署，数据完全自主可控 #科技先锋官#

4. 【2026年AI工程师学习路线：从调用模型到构建系统的九个关键能力】AI工程和传统机器学习工程正在分道扬镳。机器学习工程师从零训练模型，AI工程师则在基础模型之上构建应用。这个转变意味着你需要学习的东西完全不同了。一、理解基础模型GPT、Claude、Gemini、Llama这些基础模型是现代AI应用的基石。你不需要从头训练，但必须深入理解它们的能力边界、分词机制、上下文窗口和定价策略。成本控制能力往往决定了一个AI应用能否活下去。入门项目：做一个模型对比笔记本，用同样的10个提示词测试不同模型，记录质量、速度和风格差异。二、提示词工程在AI工程领域，提示词就是你的代码。一个平庸的AI应用和一个优秀的AI应用，差距往往就在提示词设计上。少样本学习、思维链、结构化输出这些技术能大幅提升效果，而且不需要任何模型训练。入门项目：选一个任务，写五种不同风格的提示词，在电子表格里打分对比。三、检索增强生成大模型有知识截止日期，还会产生幻觉。RAG让它们扎根于你的数据。从客服机器人到内部知识助手，这是生产环境中最常见的AI应用模式。分块策略、嵌入模型、向量数据库、检索指标，这些都是必修课。入门项目：用你自己的笔记文件搭建一个简单的RAG应用，50行代码就能跑起来。四、评估与测试凭感觉评估无法规模化。你需要系统性的方法来衡量AI应用是否在进步：构建评估数据集、选择指标、跑AB测试、检测性能退化。没有好的评估体系，你就是在盲飞。入门项目：准备20个问答对，写个脚本自动评分，每次改提示词都跑一遍。五、智能体与工具调用智能体把大模型从文本生成器变成行动执行者。它们能浏览网页、执行代码、查询数据库、调用API。理解智能体架构、工具设计和失败模式，是构建自主AI系统的关键。入门项目：做一个计算器智能体，让它通过调用工具来回答数学问题。六、结构化输出与数据提取真实应用需要结构化数据，JSON、SQL、API调用，而非自由文本。JSON模式、函数调用、约束生成这些技术确保大模型输出能与下游系统对接。这是对话式AI和软件工程之间的桥梁。入门项目：做一个食谱提取器，把网页上的乱七八糟的文本变成干净的JSON结构。七、护栏与安全AI应用可能被越狱、产生有害内容、泄露敏感信息。输入输出护栏、隐私检测、内容过滤、对抗测试，这些在生产部署中不可或缺。入门项目：给你的聊天机器人加上简单的输入输出过滤，用关键词匹配检测提示词注入。八、可观测性与监控无法衡量就无法改进。生产级AI系统需要日志、追踪、成本跟踪、质量监控和告警。入门项目：给你的应用加上调用日志，记录时间戳、提示词、响应、延迟、token数量和估算成本。一周后分析数据，你会发现很多优化空间。九、AI系统架构真实的AI应用是多个组件的组合：检索器、模型、护栏、缓存、数据库。理解复合AI系统的设计模式，才能构建可维护、可测试、可扩展的架构。综合项目：做一个个人助手机器人，整合RAG、结构化输出、输入验证和日志记录，部署到免费平台上。这就是一个能展示真实能力的作品集项目。有评论提出了一个值得深思的观点：2026年AI工程师真正的核心能力，是知道哪些层该自己掌控，哪些层该交给框架处理。这个答案每个季度都在变。智能体正在以超出学习速度的节奏压缩技术栈，RAG、结构化输出、护栏越来越多地被内置到平台中。学会构建固然重要，学会判断何时不必亲自构建，可能更重要。x.com/manthanguptaa/status/2018297734995075200

5. 【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#

6. 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。

7. 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」

8. 开发Agent只懂拖拉拽？你真的能跟上生产级开发的节奏了吗？

9. n8n工作流外接：零代码封装成应用，突破使用限制，自由分享！

10. 如何构建一个 AI 智能体构建 AI 智能体的核心，是打造一个能够感知、推理、行动并从环境中学习的智能系统。整个过程遵循一个有机的结构化流程，如下所示：1. 明确目标与环境首先要确定智能体的目标，以及它将运行的环境。示例：一个个人 AI 助手的目标可能是管理用户的日程，而它的运行环境则包括用户输入、日历系统和外部 API。2. 智能体核心（AI Agent Core）AI 智能体的核心由三个关键模块组成，这三部分共同驱动智能体的理解与决策能力。a. 感知模块（Perception Module）收集并解释来自各种传感器的数据，如摄像头、麦克风或 API 输入。将原始感知数据转化为可理解的有意义信息，例如文字识别、声音检测或物体识别。b. 认知与推理模块（Cognition & Reasoning Module）这是智能体的大脑所在，负责逻辑推理、模型分析和基于目标的决策。通过算法和 AI 模型分析环境状况，规划行动路径，并根据数据和目标做出判断。c. 行动模块（Action Module）执行已选定的行动，可通过机械臂、软件命令或 API 调用等方式实现。将决策转化为对现实世界或数字环境的具体操作。3. 传感器与执行器传感器用于从环境中采集数据（视觉、听觉或上下文信息）。执行器根据智能体的决策执行任务或响应。二者形成一个持续的“感知—行动”循环，使智能体能动态地与环境交互。4. 环境交互（观察 + 行动）智能体通过观察行动结果并从环境中收集反馈，来评估自身表现。这种反馈帮助智能体调整策略，优化未来的行动。5. 记忆与学习记忆与学习模块用于存储经验并不断优化模型。它维护一个可随观察与反馈而更新的知识库，使智能体能够具备自适应学习能力。随着时间推移，智能体会变得更聪明、更准确、更高效。6. 反馈与改进循环最后阶段是持续改进环节。智能体评估自身表现，更新内部模型，并优化决策机制以取得最佳结果。这种“感知—学习—改进”的循环构成了自我进化型 AI 系统的基础。★ 总结明确目标 → 感知 → 理解 → 推理 → 行动 → 学习 → 改进 → 重复这个循环使 AI 智能体能够从最初的简单自动化，不断成长为具有自主智能的系统。#人工智能##程序员#

11. 《Making Sense of Memory in AI Agents》 AI智能体的“记忆”其实是指它们跨多轮对话，记住并调用重要信息的能力。这让智能体能从反馈中学习，适应用户喜好，提升体验和效果。但目前驱动这些智能体的语言模型（LLM）本身是无状态的，每次交互都是“重头开始”，没有内置记忆功能。要实现记忆，必须借助外部存储或上下文管理，帮它们回顾之前的对话内容。“记忆”既是信息的存储位置（如数据库、Markdown文件），也是一种信息管理机制。研究中区分了“智能体记忆”（agent memory）和“自主记忆”（agentic memory）——前者是赋予智能体访问记忆的能力，后者是智能体主动写入和管理记忆的系统。智能体记忆大致分为短期和长期两类： - 短期记忆存在于模型的上下文窗口里，保存当前对话内容； - 长期记忆储存在外部系统，如向量数据库，保存更稳定、广泛的信息。模仿人类记忆结构，有四种记忆类型：工作记忆（当前对话）、语义记忆（事实）、情景记忆（经历）、程序记忆（指令）。另一种设计思路则划分为消息缓存、核心记忆、回顾记忆和档案记忆，分别对应不同存储和管理策略。智能体记忆管理的关键，是如何在上下文窗口和外部存储间高效传递信息，着重解决以下难题： - 如何避免上下文过长导致响应变慢和成本飙升； - 如何判断哪些信息需要被记住、更新或者删除，防止记忆膨胀和信息质量下降。这里涉及“显式记忆”（智能体主动识别和保存重要信息）与“隐式记忆”（系统自动定时更新或批处理记忆）的区分。实现时，当前对话通常用列表形式保存，指令用文本文件，其他信息则根据检索需求存数据库。技术挑战主要集中在延迟控制和“忘记机制”的设计：如何精准判断哪些信息该被遗忘，防止系统负担过重，保持记忆的相关性和有效性。目前，围绕智能体记忆管理的开发框架快速涌现，如mem0、Letta、Cognee、zep，以及LangChain、LlamaIndex等通用智能体开发工具，都在积极推动技术成熟。总结来看，AI智能体记忆设计是连接短期对话和长期知识存储的桥梁。它不仅关乎记忆的保存，更涉及记忆的更新和遗忘，是打造更智能、更贴心AI的核心难题和发展方向。原文：leoniemonigatti.com/blog/memory-in-ai-agents.html

12. 什么是 AI 智能体？

13. 【保姆级】RAG智能体终极方案：n8n+Google File Search，零门槛搭建高精度RAG工作流！

14. 使用Dify搭建工作流，实现自动化商品采集分析

15. 阿里系连发两个重磅AI产品，暗藏了一个巨大的机会#灵光 #蚂蚁灵光 #阿里巴巴 #全模态通用AI助手 #AI工具

16. 把C++写的老项目重构成现代框架?给AI吧我不干了!

17. 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

18. 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

19. #人工智能#当全球还在热议 AI 模型的迭代与智能体的突破时，资本的流向已悄然转向。400 亿美元收购全球顶级数据中心、150 亿美元打造 AI 枢纽、万亿级基础设施园区规划，这些重磅动作揭示了一个被忽视的真相：AI 的狂欢早已脱离纯粹的 “智力游戏”，沦为一场关于钢铁、电力与土地的硬核博弈。#AI创造营##AI智能# 凯文思考的微博视频

20. 两个教学项目：1️⃣从零开始构建 AI 智能体github.com/pguso/ai-agents-from-scratch本仓库教你从基本原理开始，使用本地 LLM 和 node-llama-cpp 构建 AI 代理。通过完成这些示例，你将理解：✨LLM 的基本工作原理✨智能体究竟是什么（LLM + 工具 + 模式）✨不同智能体架构的运作方式✨框架为何做出某些设计选择理念：通过构建学习。深入理解后，再明智地使用框架。2️⃣从零开始构建RAGgithub.com/pguso/rag-from-scratch通过一步步构建RAG（检索增强生成）来解密它的原理。没有黑箱。没有云API。只有清晰的解释、简单的示例和你完全理解的本地代码。这个项目遵循与《从零开始构建 AI 智能体》相同的理念：通过简洁、解释清楚的真实代码，使开发者能够理解先进的AI概念。你将学到：✨RAG到底是什么，以及它为何在知识检索中如此强大。✨嵌入（embeddings）如何工作，如何将文本转化为模型能理解的数字。✨如何构建本地向量数据库，高效地存储和查询文档。✨如何连接所有内容，检索上下文并将其输入到大语言模型（LLM）中以获得有依据的答案。✨如何重新排序和规范化，提高检索精度并减少噪声。✨一步步的代码演示，每个函数都有解释，毫不隐瞒。#科技先锋官#

21. 照着学～大语言模型（LLM）学习路径和资料汇总入门篇：- 了解大语言模型的基础知识和常见术语。- 学会使用编程语言访问 OpenAI API 等常见大语言模型接口。- 面向非专业背景的大模型普及知识。应用篇：- 可以在本地环境搭建开源模型的推理环境。- 大语言模型应用开发框架（如 LangChain、Dify等）。- Prompt 工程、 RAG、Agent 等大模型应用开发范式。深入篇：- 大模型技术原理、训练微调、数据工程、推理优化等。- 大模型应用范式（RAG、Agent等）前沿进展。访问：github.com/ninehills/blog/issues/97#HOW I AI# #程序员#

22. 《大语言模型（LLM）学习路径和资料汇总》为不同水平的学习者提供了系统且实用的学习指南，涵盖入门、应用和深入三个阶段。入门部分帮助理解基础知识和常用术语，推荐通过OpenAI API和如openrouter.ai等平台实践；应用篇则聚焦于本地部署开源模型及主流开发框架（如LangChain、Dify），并介绍Prompt工程、RAG、Agent等实战范式；深入篇则深入探讨模型原理、训练微调、数据工程及推理优化，配以权威教材和前沿课程，助力打造扎实理论基础与技术能力。这份汇总是大语言模型领域知识体系化学习的宝贵指南，适合希望系统掌握LLM技术的所有人阅读与分享。原文链接：github.com/ninehills/blog/issues/97

23. Vibe Coding 是一个基于 AI 结对编程理念打造的终极开发工作站，旨在帮助开发者高效、系统地将创意转化为可维护代码。它融合了作者多年开发经验与丰富的提示词库，形成一套严谨且灵活的流程体系，强调规划驱动与模块化设计，避免 AI 失控造成项目混乱。核心理念在于“规划就是一切”，通过定义生成器（α-提示词）与优化器（Ω-提示词）两大母体提示词，构建递归自我优化的 AI 系统，使提示词及技能持续进化，最终实现无限逼近预期目标的自我超越。Vibe Coding 提供完整的开发流程指南：从网络环境配置、开发环境搭建、IDE 设置，到项目设计文档撰写、技术栈推荐、实施计划生成，再到代码实现、测试与迭代，每一步均配合 AI 进行，确保开发高效且可控。特别强调先结构后代码，避免技术债务积累。工具链方面，推荐使用 Visual Studio Code、Neovim 等强大编辑器，配合 Claude Opus 4.5、gpt-5.1-codex 等顶级 AI 模型，实现代码生成、测试、调试、文档管理等一体化工作流。还集成了丰富的辅助工具如 Augment (上下文引擎)、Zread (代码阅读)、tmux（终端复用）、DBeaver（数据库管理）等，极大提升开发体验。项目配套了详尽的提示词库，涵盖系统提示词、编程提示词、用户提示词及辅助提示词，支持快速构建高质量的 AI 交互策略。通过严格的规则和上下文管理，确保 AI 生成代码的质量与一致性。此外，Vibe Coding 还提供丰富的实用技巧和常见问题解答，帮助开发者快速上手并解决开发中遇到的各种挑战。其开源 MIT 许可让社区能自由贡献与扩展。Vibe Coding 通过“规划驱动 + 上下文固定 + AI 结对执行”，让「从想法到可维护代码」成为一条清晰且可审计的流水线，极大提升了开发效率与代码质量。项目开源地址：github.com/tukuaiai/vibe-coding-cn无论是新手入门还是资深开发者，Vibe Coding 都能帮助你驾驭 AI 助力的开发新时代。

24. 谷歌（Google Cloud）在其最新的《2026年AI智能体趋势报告》（AI Agent Trends 2026 Report）中，提出了AI智能体将如何重塑业务模式并驱动新价值的五大核心趋势。谷歌发布的2026年AI智能体五大趋势：AI智能体将助力全员生产力提升（AI agents will help everyone be more productive）员工将从日常重复性的执行工作转向更高层级的战略决策，将任务委托给不同的AI智能体来达成目标。AI将成为工作流程的起点。智能体工作流将成为核心业务流程（Agentic workflows will become a core part of business processes）系统中的多个智能体将能够相互协作、协调和通信，以自动化复杂的、多步骤的流程。这远超简单的聊天机器人，能够运行从开始到结束的完整工作流。从“搜索引擎优化”转向“智能体可发现性优化”（From SEO to Agent Discoverability）随着AI智能体开始代表人类进行决策和采购，企业将不再仅仅针对人类用户进行优化（SEO），而是需要优化其数据和接口，以便能被其他AI智能体“发现”并与之交互。提供“礼宾级”的客户体验（"Concierge-style" customer service）AI智能体将能够处理高度个性化的体验，实现全天候、跨语言、跨平台的实时响应。智能体能够理解上下文并处理从查询到完成交易的全过程。建立统一的AI生态系统与人类协作（Building a Unified AI Ecosystem & Human-AI Collaboration）孤立的AI工具将连接成一个单一的生态系统。同时，企业的重点将转向培训员工如何更有效地与AI协作，确保在处理复杂问题和道德考量时有“人类在环”（Human-in-the-loop）。原文网址：Google Cloud 官方博客文章：5 ways AI agents will transform the way we work in 2026 网页链接(注：这是该报告的核心总结文章)Google Cloud 资源中心（报告下载页）：AI agent trends 2026 report | Google Cloud(您可以在此页面下载完整的 PDF 深度报告)网页链接 Google谷歌爱好者的微博视频

25. AI安全工具开发：手把手教你搭建安全工具平台

26. 如果现在给你5分钟让你用AI做个应用，你最想做什么？ #大咖观察 #红衣聊AI #AI应用 #AI工具

27. 普通人用Ai能做什么？#AI #知识分享

28. n8n速成指南：10个高手常用的工作流搭建技巧，解决n8n入门难题！

29. 实测扣子视频Agent，一句话量产爆款，适合起号的工具来了 #扣子Coze #AI #AIGC #智能体

30. 鸿蒙全家桶+小艺智能体，体验到底有多离谱？

31. 《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#

32. 给大家推荐一个不错的开源项目 Hello-Agents，是一套从零开始学习构建智能体的免费教程。内容覆盖得比较全面。基础部分讲了大模型和 Agent 的核心概念，实战部分手把手带你实现 ReAct、Plan-and-Solve、Reflection 这些开发模式。如果你更习惯用低代码平台，教程里也有 Coze、Dify、n8n 的实操内容。框架方面涉及 Python 生态里常用的 AutoGen、AgentScope、LangGraph，项目本身还从零搭建了一个 HelloAgents 框架。除此之外，记忆机制、RAG、MCP、评估方法这些也都有涉及，案例挺多的，还整理了面试相关的题目和代码。唯一的小遗憾是代码都是 Python 写的。顺便说一句，这个项目来自 datawhalechina 组织，他们那里还有不少其他 AI 相关的教程资源，感兴趣可以去看看。开源项目地址：github.com/datawhalechina/hello-agents#科技先锋官##微博兴趣创作计划##AI创造营#

33. 你最想让AI给你造个什么工具？是摸鱼神器还是效率助手？ #大咖观察 #红衣聊AI #AI工具

34. 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

35. 大模型只是能力，必须要跟场景结合。 #大咖观察 #红衣聊AI #大模型

36. AI P图已经过时，能“P视频”的智能体玩过没？ #AI视频 #纳米AI #科技改变生活 #NanoBanana #人工智能

37. 用我们自家的AI，普通人也能享用优秀分析师的服务#AI #Reportify #商业研究 #智能体

38. 「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

39. 当大模型接上“机械臂”！不会编程也能学的n8n教程——第一期

40. #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

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

42. Anthropic：高效构建 AI 智能体的上下文工程

43. 《N8N基础入门教程 - 从零开始学习自动化工具》N8N是一款开源自动化工具，专注于连接各种AI服务、应用和数据库，实现工作流程自动化，极大提升个人生活幸福感和企业效率。虽然全英文界面和缺少多语言支持让不少初学者望而却步，但掌握基本逻辑思维、勇于动手调试，就能逐步驾驭这一强大平台。本教程从零开始，涵盖部署、节点使用到实战案例，帮助用户从基础入门到高级应用，打破学习壁垒。无论你是技术开发者还是自动化爱好者，只要愿意深耕，总能在自动化领域找到属于自己的定位。与Dify和Coze相比，N8N更强调系统打通和任务自动化，完全开源且支持灵活集成任意API；Dify更专注AI应用开发，Coze则偏向多轮对话助手，但闭源且未来可能收费。选择何种工具，关键在于是否满足你的业务目标。原文链接：n8nzh.com/docs/intro/

44. 想深入掌握n8n自动化？《The Ultimate n8n Starter Kit（2025）》全方位解读n8n工作流自动化，从基础到AI集成，带你快速上手并提升效率。1. 工作流自动化基础- 工作流自动化利用技术自动执行重复任务，节省时间、减少错误、助力业务扩展。- 关键组成：触发器（如新邮件）、动作（如发送通知）、条件（如VIP判定）。2. n8n简介与优势- n8n是低代码、节点式自动化工具，支持自定义代码和API集成。- 相比Zapier、Make.com，n8n更灵活、成本更优且数据掌控更强。- 提供300+预置集成，社区节点丰富，支持自托管和云服务。3. 核心节点与数据转换- 触发节点启动流程，核心节点处理数据，动作节点执行任务。- Set节点调整数据，Code节点支持自定义JavaScript，HTTP请求节点调用API，Merge节点合并数据。- 深入理解JSON数据结构与表达式（如{{$json["field"]}}），灵活操作工作流数据。4. 工作流设计与调试- 明确目标、合理规划流程、选择合适节点、设置条件逻辑。- 支持手动测试和生产自动执行，实时监控执行记录，追踪错误。- 利用错误触发节点自动处理异常，Debug Helper节点帮助数据检查，提高可靠性。5. AI智能代理与集成- AI代理具备自主决策能力，广泛应用客服、内容生成、数据分析、代码辅助。- n8n内建多样AI节点，支持OpenAI、Google AI等平台，轻松构建AI驱动的自动化流程。- 精准提示设计（prompting）提升AI响应质量，结合多种策略保障任务准确执行。6. 进阶AI集成与实战案例- 获取API凭证，安全配置，监控调用限制，优雅处理错误。- 实例：自动生成社媒内容、AI客服、儿童故事机器人等，展示n8n与AI结合的强大潜力。- 分享SanctifAI、Telegram故事机器人等真实案例，启发创新应用。总之，n8n不仅是高效自动化的利器，更是AI智能集成的开放平台。掌握本套教程，你将具备设计复杂自动化流程和智能代理的能力，推动业务智能化升级！原文：drive.google.com/file/d/1aiqWO5NueoX6YUcTN8-GzxPgh2ZCpeFh/view

45. 让AI智能体拥有像人类的持久记忆：基于LangGraph的长短期记忆管理实践指南网页链接如何让AI智能体（Agent）像人类一样拥有持久的记忆，从而在复杂的连续任务中保持上下文感知和深度理解？这已成为构建高级智能体的核心挑战。本文将深入探讨Agent Memory的核心概念，并聚焦于LangGraph框架下的长短期记忆实现，详解短期会话与长期知识的存储、管理、语义检索等技巧。更进一步地，我们将通过一个引入MCP协议的实战案例，手把手带你构建一个真实的融合长记忆机制的Multi-Agent系统，直观展示中断、记忆与协作的融合。

46. 99%的人都搞错了AI Agent？智能体该如何帮企业赚钱？

47. 无论未来做什么，智能体和大模型都是AI进化的基础。 #大咖观察 #红衣聊AI #AI新星计划 #具身智能

48. 未来人类社会或将出现百亿甚至千亿智能体，智能体经济是未来方向 #大咖观察 #2026AI看崇礼 #红衣聊AI #智能体

49. 你还不会砍价？我用AI做了个年货砍价智能体...

50. 当你的健康，被一个靠谱AI朋友主动“留心”

51. 「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

52. 从自动写代码到智能影音刮削：实测 OpenCode，这台“赛博管家”真的能干苦力活

53. #中国工程院院士点赞的AI长啥样# 新华网发布的关于中国AI的报道中，深度解读了荣耀YOYO智能体的技术优势，这份权威解读成为行业了解中国AI发展的重要参考。报道中特别提及荣耀Magic8系列新机，作为荣耀年度旗舰手机，以及同时发布的MagicOS10，在改变我们智慧生活的很多方面都做了很多新的尝试，并且YOYO的自进化功能，能让它就像生活中的“搭子”一样，陪伴消费者，就像荣耀自己说的：最伟大的自进化，是与用户共同完成的。凤凰网科技的微博视频#中国超算之父称中国智能体领先世界##荣耀AI终端生态大会##荣耀Magic8##万事找YOYO#

54. n8n要凉了？Agent Skills实测对比，谁才是AI自动化之王！

55. AI智能体的5种设计模式如果你想尽早开始AI智能体的设计之路，那么这里给大家分享的5种设计模式，从最朴素的全托管的AI代理，到分工协作的多代理模式，到AI认知推理模式，最后再到结合AI的工具增强。未必哪一种能够胜任所有的挑战，选择一个适合应用场景的模式，或者把它们组合起来，才能发挥AI最大的优势。（图：译数据AI）

56. 智能体设计模式总结

57. #钉钉发布超20款AI新品# 软硬一体，押注AI Agent生态！🚀12月23日，钉钉在AI钉钉1.1新品发布暨生态大会上，一次性发布超20款AI新品。核心包括企业级AI硬件DingTalk Real（一款Agent OS执行终端）、企业级智能体操作系统，以及AI招聘、设计等智能体应用。【评论】四个月就从1.0迭代至1.1，并推出硬件终端，钉钉的AI转型堪称激进。此举标志着其战略从“协同办公软件”向“企业智能体生态”的彻底转向。通过“操作系统+硬件终端+智能体应用”的组合，钉钉正构筑一个更封闭、更深入的商业护城河，意图定义AI时代的企业工作方式。

58. 2026年春节AI红包大战预计烧掉45亿，这真的能让用户接受AI智能体成为日常生活的标配吗？

59. 盘点一周AI大事(11月23日)｜AI自己画CAD图纸 Google发布最强大模型Gemini 3、最强图像模型Nano Banana Pro OpenAI发布最强编码模型GPT-5.1-Codex-Max 马斯克升级Grok 4.1，情商最强字节开源最强空间重建模型Depth Anything 3 腾讯发布最强开源视频模型HunyuanVideo-1.5 Meta开源最强对象分割模型SAM 3，最强3D分割模型 SAM 3D Autodesk研发出最强CAD智能体VideoCAD AI2发布最强开源深度研究智能体Deep Research Tulu Google发布最强AI天气预报WeatherNext 2 Maxima推出AI会计智能体头号玩家套装问世 #AI新星计划 #人工智能 #AIGC #OpenAI #大模型

60. 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

61. 你《绝对用的上，AI超实用技能！》

62. 夸克对话助手亮相，网友：中国版ChatGPT！阿里终于在C端出手了！夸克对话助手正式亮相，这是阿里AI布局中最关键的一步。或许，它才是真正的“中国版ChatGPT” #夸克 #ChatGPT #AI

63. 老金开源10万字Claude Code中文教程，零基础到企业实战完整路径

64. 从“搜索工具”到“健康朋友”

65. 盘点一周AI大事(1月25日)｜Agent进化，24小时打工开源视频制作Remotion Skills爆火 AI编程开无限画布插件Pencil 爆火开源个人AI助手Clawdbot爆火，7成24小时给你打工 Claude Excel插件更新 Runway上线最强视频模型Gen 4.5 字节开源视频参考模型OminiTransfer 字节发布最强数字人直播模型FlowACT R1 阿里开源最强文本转语音模型Qwen 3 TTS #AI新星计划 #抖音知识年终大赏 #AI #OpenAI #AIGC

66. 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

67. 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

68. 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

69. 羡慕别人的可爱桌宠？从零开始，5分钟开发一个AI桌宠助手

70. #我的1024种生活#【灵创平台】不用写代码，也能训练机器人？全球首个0代码创作平台来了！稚晖君的微博视频

71. 华为Mate X7这次是真的把“小艺”卷成了“六边形选手”。在华为新品发布会上，小艺首次商用 A2A智能体协作，一句话就能让不同APP的智能体们自动“开会”“分工”，完成AI订票、AI复购等普通AI根本做不到的活儿。简单说呢，你只要说需求，小艺和TA的朋友们就能替你把生活安排得明明白白。折叠旗舰不止屏幕大，还更聪明，真正把“我一句话，你搞定事”变成日常。坐等产品发布后来体验一下了，你们还期待小艺能做什么事情？评论区聊聊#华为折叠屏首发A2A智能体协作#

72. 读完Anthropic内部关于AI智能体评测的实践（Demystifying evals for AI agents）的几点想法。任何一个AI智能体开发团队，在产品规模扩大后，都可能面临一个共同的痛点：在没有有效评估（evals）体系的情况下，团队会陷入“蒙眼狂奔”的被动修复循环。问题只能在生产环境中被动发现，而“修复一个失败往往又会引发新的失败”。在这种混乱中，团队甚至“无法区分真正的功能衰退和偶然的噪音”。开发进度停滞，产品体验不升反降。1. 有时，“失败”的评测恰恰是巨大的成功过于僵化和静态的评测可能会扼杀模型的创造力，惩罚那些超越预设路径、寻找更优解决方案的“聪明”行为。比如：在一次解决关于预订航班的 𝜏2-bench 基准测试问题时，我们的 Opus 4.5 模型通过发现政策中的一个漏洞，为用户找到了一个比预期路径更好的订票方案。这导致它在评测的书面意义上“失败”了，因为它没有遵循预设的步骤。它在书面意义上“失败”了评测，但实际上为用户提出了一个更好的解决方案。因此，设计评估时必须奖励更优的结果，即便它偏离了预设的路径。我们需要为模型的创造性留出空间，避免因我们自己的想象力局限而错失了更好的解决方案。2. 评估结果，而非过程在评估AI智能体时，一个常见的本能是检查它是否遵循了我们预想的特定步骤。然而，我们的经验表明，这种方法过于死板，会产生非常“脆弱的测试”（brittle tests）。当模型以任何一种未被预见的有效方式偏离预设路径时，这种测试就会失效。更有效的方法是优先关注最终的产出（outcome），而非其达成目标的具体路径（path/transcript）。我们的经验表明：“评估智能体的产出，而非其执行路径，往往是更优选择”。这种方法的优势在于，它不会因为智能体找到了评估设计师未曾预料到的、但同样有效的创新方法，而错误地惩罚它，从而使评估体系更具鲁棒性和前瞻性。3. 评测不只是安全网，更是采用新技术的“加速器”许多团队将评测仅仅视为防止功能衰退（regression）的安全网。但这大大低估了其战略价值。一个健全的评测体系，实际上是团队采用新技术的“加速器”。想象一下，当一个更强大的新模型发布时，拥有健全评测体系的团队可以在几天内完成全面的评估、调整提示并完成升级。而那些没有评测体系的竞争对手，则可能需要花费数周时间进行手动测试，从而在技术迭代中落后。从这个角度看，评测是一种战略性投资，它能显著加快团队利用最新AI技术、保持竞争优势的速度。4. 别追求完美的单一防线，你需要的是“瑞士奶酪模型”在安全工程领域，“瑞士奶酪模型”（Swiss Cheese Model）是一个经典隐喻，它同样适用于理解AI智能体的综合性能。其核心思想是：没有任何单一的评估方法是完美的（每一层都有“孔洞”），但将多种不同方法结合起来，就可以形成一个强大的、层层设防的防御体系。这些评估层级对应着开发生命周期的不同阶段：自动化评测是开发中的第一道防线，而生产监控和A/B测试则提供了产品上线后的真实世界反馈。构成这个模型的不同层面包括：- 自动化评测 (Automated evals): 用于快速迭代和持续集成。- 生产监控 (Production monitoring): 用于揭示真实世界中的用户行为和问题。- A/B测试 (A/B testing): 用于衡量变更对真实用户结果的实际影响。- 用户反馈 (User feedback): 用于发现意料之外的问题。- 人工审查 (Manual transcript review): 用于建立对失败模式的直觉。- 系统性人类研究 (Systematic human studies): 作为校准模型评分器和评估主观任务的“黄金标准”。最有效的团队会将这些方法结合起来，形成一个全面的评估视野。总之，我们需要从被动修复到主动构建。对AI智能体的评测，绝非事后的附加工作，而是一种价值会不断累积的核心开发活动。它能将团队的工作模式从“被动救火”转变为“主动构建”，让团队用清晰的指标代替模糊的猜测，从而更有信心地朝着明确的目标前进。原文有非常详细的实践方法：www.anthropic.com/engineering/demystifying-evals-for-ai-agents#ai创造营# #程序员#

73. Google Workspace 推出全新产品——Workspace Studio，用户仅需几分钟即可创建专属AI智能助手，自动处理日常事务，释放更多时间专注核心工作。支持Gmail、Docs、Drive等多平台，无需编写代码，深度AI赋能，极大提升办公效率。这一变革被视为办公自动化的重大突破，有用户称其将彻底改变邮件管理体验，也有人预测它将成为中小企业首选的集成服务。与此同时，部分用户反映目前仅限商务和企业计划，个人及部分套餐用户尚无法体验，期待未来版本的覆盖扩展。值得一提的是，AI助手的出现不仅是工具升级，更像是工作伙伴的转变。它将如何平衡自动化带来的管理负担与认知释放，是未来值得关注的议题。真正的挑战是：我们能否借助AI，将认知负荷转向更高价值的思考，而非简单替代重复劳动？此外，用户反馈指出，Google产品的访问路径仍有优化空间，减少使用摩擦将是提升用户体验的关键。整体来看，Workspace Studio不仅是技术创新，更是办公方式的深刻变革，开启了智能办公的新篇章。原文：workspace.google.com/studio 爱可可-爱生活的微博视频

74. 普通人零代码入门AI智能体

75. 零代码也能玩转AI智能体？2026最值得尝试的5大平台测评榜单一览

76. AI入门指南

77. 从 0 到 1 搭建智能体，零代码也能搞定！职场人必看的效率神器指南

78. 如何搭建自己的第一个智能体 - 哔哩哔哩

79. 全民开发时代已到！零代码平台如何让普通人轻松玩转智能体，开启副业新机遇？

80. 可以直接编程与无代码编程的AI工具软件

81. 智能体来了

82. OpenClaw 初学者指南搭建你的实用 AI 助手:无代码上手路线

83. AI智能体入门指南

84. 终于有人把AI智能体讲透了！实习生/老师/粉丝都能秒懂

85. AI智能体到底是什么？普通人能用它做什么？

86. 普通人也能玩转 AI 智能体（简单且实用版）

87. 普通人也能搞AI智能体？这4招直接上手不踩坑

88. 让普通人轻松学会AI智能体的5个技巧

89. 干货指南 | 普通人如何训练专属AI智能体？从入门到精通全攻略

90. 零基础玩转AI智能体

91. “AI智能体”如何用于个人创业？

92. 2026必看！AI智能体落地3类场景，普通人避坑抓红利

93. 零基础也能搞定AI智能体开发！这本Dify实战必入

94. 《Dify AI智能体开发实战》来了！

95. AI 智能体从0到1开发实战（Dify版） - 哔哩哔哩

96. 小白必看

97. Dify平台Agent开发入门指南

98. Dify大揭秘

99. 【新手也能懂】Coze（扣子）零代码实操指南

100. 零代码5步做Coze智能体

101. 零基础学 COZE

102. Coze智能体开发从入门到精通

103. 学习Coze，关键是学会拆解个性化需求

104. AI 小白如何系统学习 Coze 工作流知识

105. 为什么建议新人使用 Coze 工作流？

106. 包教包会！手把手带你从0玩转扣子Coze——附界面地图+最小可用示例+避坑清单

107. 「AI」新手2分钟构建自己的第一条Coze智能体

108. Langchain学习手册（一）基本了解&简单使用

109. AI快速开发

110. LangChain 入门，从构建第一个智能体开始

111. LangChain开发实战 - 第 22 章: Chains (链)

112. LangChain框架梳理

113. AI笔记08

114. 想部署一套本地知识库问答系统，Dify or FastGPT 到底该怎么选？

115. Coze/Dify/FastGPT/N8N

116. Coze/Dify/FastGPT/n8n 四大平台横评

117. 【海聚大模型】一文搞定

118. 一文看懂 AI 工作流平台怎么选？从使用场景对比 Dify、n8n、Coze、Fastgpt、Ragflow

119. AI智能体平台怎么选？Coze、FastGPT、Dify、n8n、RagFlow 详细对比

120. GitHub 12万星！AI 开发者的“瑞士军刀” Dify 入门指南

121. 【AI】扣子、Dify、n8n、实在智能、影刀RPA 低代码平台简介

122. AI项目落地之低代码平台加速原型开发

123. LLM应用开发之 “三国杀”

124. 8款开源AI应用开发平台实测对比

125. 0基础入门 AI 应用开发，AI开发框架三剑客怎么选？

126. 普通人第一次学 AI，最安全、最不踩坑的 3 个入口

127. 谷歌把AI提示词这事儿玩透了

128. AI 智能体时代，提示词怎么写？一份高级提示词工程实战指南

129. 荐读

130. 如何训练自己的AI智能体？本文四步教会你

131. 智能体如何从0到1构建，来手把手教你！

132. 如何构建 AI 智能体（2025 完全指南）

133. AI智能体的开发流程

134. 手把手教你构建AI智能体:从框架选择到实战部署

135. 2025年AI智能体设计模式，共304页

136. 具身智能体(Agentic AI)为何在现实世界中频频失效?

137. AI智能体开发太难?跟着老鸟一步步搞定

138. 字节跳动李航博士新作

139. AI智能体的开发流程

140. 企业智能体落地指南——拆解7大关键问题,附实战避坑策略

141. 扣子/coze智能体开发的经验与避坑指南

142. 零基础玩转AI智能体:小白的第一份保姆级搭建指南!

143. 挖到宝！一款SpringBoot零代码打造AI企业智能体，数据分析 / 知识库 / 工作流全搞定，免费商用！

144. AI Agent（智能体）如何构建？什么时候该用？有哪些模式？

145. LangChain 开发实战 - 30个示例学透智能体开发(目录)

146. Coze、Dify、阿里百炼、N8N、Maxkb、Fastgpt 有什么区别和联系？

147. 《扣子开发 AI Agent 智能体应用》017-提示词编写和优化（驱动智能体的核心指令）

148. 普通人速进！零代码解锁AI智能体开发，开启无限可能

149. Coze做智能体，简单3步，新手小白也能写出高质量提示词

150. Dify入门实战：5分钟搭建你的第一个AI测试用例生成器

151. OpenAI Agent Builder震撼发布！类似扣子，n8n，零代码打造你的专属AI助手！

152. AI智能体实操新玩法，用AI快速批量生产爆款，节省时间成本

153. 大模型深度学习：Coze、FastGPT、Dify AI智能平台架构与能力对比

154. 20+Dify实战案例，从入门到精通

155. 【AI办公革命】零代码打造智能助手！打工人必看效率秘籍

156. AI智能体大火，如何学习coze？

157. 对比评测Dify vs Coze：谁才是“AI工作流”的终极答案？

158. 【尚学堂】LangChain零基础入门到实战开发智能体(LLM+Langchain+ollama+Agent+RAG系统搭建)

159. Agent-Zero：零代码构建AI智能体系统的实践与洞察

160. 蚂蚁推出 AI 助手灵光：30 秒生成小应用，抢的是日常生活场景

161. 快码住🔥这套Coze智能体全能攻略太炸了

162. 2025年Dify、FastGPT、Coze大混战，企业该怎么选？

163. 《扣子开发 AI Agent 智能体应用》018-提示词编写和优化（扣子平台设置提示词案例）

164. 《LangChain开发实战》目录页和代码仓库

165. 小白零基础起步，使用 Coze 搭建第一个属于自己的飞书 AI 智能体（附喂饭级教程）

166. 【AI快讯】AI Agent 落地路径双轨制，零代码平台与开源框架并驾齐驱

167. Coze 居然藏着 “懒人引导”！零基础跟着点，不用记术语，我第一次搭就没返工

168. 告别传统机器人，Coze真智能来了

169. LangChain1.0教程：消息类型与流式传输

170. Langchain入门,跑通一个简单的助手程序(第一章)

171. 报告 | 《用Langchain DeepAgents开发高级AI智能体实战手册》（免费下载PDF版本）

172. 手把手4步用Dify搭建金融投资分析智能体

173. 小白也能玩转AI智能体智能体搭建流程+6大平台深度对比测评！

174. 提示词与AI Agent智能体实战课：精准指令，大模型驱动智能体高效落地教程资料

175. Coze指南（1）：平台概述与测试应用的未来展望

176. 太炸裂了，人人智能体的时代来了，想搞智能体，但又不会写代码的，直接用扣子就行了，现在扣子已经火出圈了，不需要你懂任何编程代码，也能开发智能体，这套电子工业出版社的《用扣子搭建AI Agent》零基础实战版，专门给小白看的，你甚至不用动脑筋，跟着书里10个现成的实战项目，点点鼠标，在扣子上拖拖拽拽，稍稍的做一些修改，就可以做出自己的智能体了 #每天进步一点 #好书推荐 #智能体 #AI #Coze

177. [完结16章]COZE AI 智能体开发体系课（从入门到高级）零基础零代码

178. Coze入门3步走：先懂基础节点，再学工作流，最终搞定智能体与应用开发。

179. 【挖遍B站】讲的最好的Dify入门到精通教程！一节课轻松搞定AI工作流搭建！全程干货无废话，让你少走99%弯路！手把手带你Dify企业级实战项目|赠50+工作流

180. DeepSeek+Dify全攻略，轻松实现智能工作流，2026年必备技能！

181. Langchain学习手册（八）基于Langchain的RAG实现方法

182. COZE , AI 智能体从入门到高级教程资料 - 哔哩哔哩

183. 15分钟学会用GPT创建AI学习智能体！工作流、提示词免费分享！

184. 3分钟零代码搭建一个AI助手：让AI不仅能回答问题，还能直接操作浏览器帮你做事！

185. 智能体来了：如何让AI 智能体 Prompt 提示词训练助力 AI 时代技能提升

186. 小白速通：3分钟零成本搞定私人AI助手

187. AI智能体平台深度解析：Coze、Dify与FastGPT的战略选择

188. 零代码落地AI助手！智能体平台搭建全流程指南

189. Github-Dify工作流DSL示例库：AI自动化开发实战宝典

190. Langchain,RAG全链路开发，实战AI知识库 - 哔哩哔哩

191. 零代码搭建AI分身🔥腾讯云智能体平台使用分享！作为AI干货博主后台经常很多人问我要资料我干脆用腾讯云智能体平台做了个 AI 分身，能自动回复粉丝，还能24小时陪聊～整个过程完全零代码！140+插件，还支持 MCP 接入第三方工具！不管你也想在工作上提效，在这上面搭建智能体真的是不错的选择 #ai #零代码开发平台 #ai开发 #智能体 #ai教程

192. 【开源推荐】视频剪辑，AI开发神器……可部署CFGPU平台上的开源项目

193. Create a personal AI assistant- workflow

194. 深度解析：Dify与FastGPT——AI Agent工具的终极对决

195. 怕 Coze 难学？“新手保护模式” 藏这了！只显示 3 个核心按钮，跟着点就会，不用看复杂功能

196. 开课通知 | （3.26-3.27）Dify实战：快速搭建企业级智能体与自动化工作流

197. 手搓一个网络安全智能体开发平台（之一平台定位）

198. 教你 3 分钟搭建 AI 助手，超 Easy！

199. OpenClaw全面解析：个人AI助手的革命性平台

200. AI新手必知：如何写出高质量的提示词

201. AI智能体到底能干啥？史上最全最精简讲解来了！小白也能秒懂

202. 推荐初学者使用的AI

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！