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

2026年4月Google/MIT研究实锤：多Agent系统性能取决于任务结构适配，非智能体数量

源自166位全网作者

04-15 11:01

精选参考来源

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

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#

全部
来源

内容由AI生成

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. 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#

3. 打造13个Claude Agent 互相 review 彼此↓ Reddit 一个开发者用 OpenClaw 框架搭建了 13 个 Claude Agent，让它们像真实团队一样工作：有人写代码，有人 review，有人测试，有人查安全漏洞。然后还互相 review 彼此的工作。 1 Writer Agent → 生成代码 2 Reviewer Agent → 逐行审查，对标 code review 标准 3 Tester Agent → 设计测试用例，验证逻辑 4 SecurityAuditor Agent → 扫描安全漏洞 5 Optimizer Agent → 性能优化建议 6 DocumentWriter Agent → 生成 API 文档 7 QA Agent → 最后一关，综合检查 ... + 6 个其他专业角色 vs. 链式流程（A→B→C），这个设计采用质量门控流程。Reviewer 必须 approve 才能进入下一阶段。出问题时反馈重做。成本控制？看起来 13 个 Agent 全力跑，tokens 肯定爆炸。但这个哥们用了几个聪明的招： 1. Context 优化 Writer 不需要看 test cases，Tester 不需要看文档。每个 Agent 只加载相关上下文。这一招可以干掉 80% 冗余 token。 2. 采样策略不是每一行代码都通过全部 13 个 Agent。核心路径 100% 检查，非关键路径采样。 3. 缓存和复用已审查过的代码片段不重复审查。测试用例库复用。架构决策缓存。结果呢？ - 单个开发者 Claude Code：每天 5-20刀 - 13 个 Agent 团队：每天 15-30刀（成本增加不多，质量翻倍）实际对比维护 10 万行代码库： 1. 传统手工做法 - 人工 code review：8 小时 - token：50-80刀 - bug 漏过率：5-10% 2. 13 个 Agent 团队 - 总耗时：30 分钟（Architect 规划 → Writer 并行生成 → Reviewer 自动审查 → 全流程质量门控） - token：20-25刀 - bug 漏过率：<1% 为什么这个方案特别？ 1. 角色化 > 能力化不是「给 Claude 一个超级 Prompt 让它什么都会」，而是「给每个 Agent 一个明确的职责」。 Writer Prompt：「你是代码作者，你的工作是...」 Reviewer Prompt：「你是资深 code reviewer，标准是...」角色专业化自动带来质量提升。 2. 质量门控自动化传统 code review 是人工 bottleneck。Agent review 是自动化 + 可扩展的。 3. 知识积累每个 Agent 的执行历史（什么被 reject、为什么）可以持续优化 Prompt。这是机器学习意义上的反馈循环。 4. 工程意义这不是「用 AI 替代人」，而是「用 AI 团队协作替代个人英雄主义」。更接近真实团队的工作方式。背后的思想转变从「Prompt Engineering」→ 「Architecture Engineering」以前我们花时间优化单个 Prompt，试图让一个 AI 更聪明。现在聪明的做法是设计系统，让多个 AI 通过角色分工和质量门控，集体产出更高质量的结果。原文：www.reddit.com/r/ClaudeAI/comments/1rga7f5/how_i_built_a_13agent_claude_team_where_agents/ #how i ai##程序员#

4. 3天赚1200刀？纯聊天就能捏出个能搞钱的 AI Agent！【教程】

5. 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

6. 《走近科学》——多Agent不是万能药，从玄学走向科学，来自Google和MIT的研究

7. 【AI记忆系统突破99%准确率：用Agent完全替代向量数据库】快速阅读： Supermemory团队用多智能体协作系统在长期记忆基准测试LongMemEval上达到99%准确率，核心突破是用3个并行搜索Agent替代传统向量检索，让AI通过“理解”而非“数学相似度”来回忆信息。这套方案不需要向量数据库，甚至可以嵌入机器人。---向量数据库可能不是AI记忆的最优解。Supermemory在LongMemEval基准测试（11.5万token对话历史）上达到99%准确率，用的方法反而更简单：完全抛弃向量检索，改用多个Agent协作。传统RAG的问题出在检索环节。语义相似度匹配根本分不清“旧事实”和“新更正”，当检索结果里混杂太多噪音，大模型就会迷失。他们的解法是ASMR（Agentic Search and Memory Retrieval）：信息摄取阶段，3个并行Observer Agent同时读取对话记录，按照个人信息、偏好、事件、时间数据等六个维度提取知识点，直接存储结构化内容而非生成embedding。检索阶段才是关键。面对提问时不查询数据库，而是派出3个专门的搜索Agent——一个找直接事实，一个挖隐含语境，一个重建时间线。这些Agent是在“主动阅读和推理”，不是在做向量余弦计算。回答阶段用了两种策略测试。第一种是8个高度专业化的prompt变体并行运行（精确计数专家、时间专家、上下文深挖专家等），只要任何一条推理路径答对就算成功，准确率98.6%。第二种是12个Agent独立作答后，由一个聚合器LLM综合投票裁决，准确率97.2%。有观点认为这套系统证明了“认知理解”比“数学相似性”更适合处理记忆任务。数学只能捕捉表层模式，而Agent可以处理时间序列中的矛盾、更新和细微差别。更有意思的是，这个架构完全在内存中运行，不依赖外部向量数据库，理论上可以部署到任何设备，包括机器人。他们11天后会开源全部代码。当数十亿个高度个性化的AI Agent开始学习和记住我们的一切时，记忆系统的天花板在哪里？也许不在算力，而在我们愿意给Agent多少“主动思考”的权限。ref: x.com/DhravyaShah/status/2035517012647272689#AI创造营##人工智能#

8. 分化、新范式、Agent 与全球 AI 竞赛，中国模型主力选手们的 2026 预测

9. 人类交互史的奇点：OpenAI发布的不是浏览器是一个“活”的互联网 #openai #Atlas #agent #AI新星计划 #科技改变生活

10. 华尔街被一篇神文吓傻！如果到2028年，AI智能体全面普及，会发生什么？#大有学问 #红衣聊AI #华尔街 #人工智能

11. 千亿智能体爆发前夜，谁来保护我们的AI安全？｜甲子光年

12. 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#

13. Anthropic最新2026趋势报告：人类最大一次编程革命势不可挡

14. 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

15. 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

16. 阿里全家桶全面Agent化！千问“任务助理”全面公测，从此AI不再只是动嘴出主意的狗头军师！

17. 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

18. AI大神的焦虑：自己是研究工作的瓶颈，Token用得不够多#AI #人工智能 #卡帕西 #Agent #算力

19. AI Agent 很火，但 Agent Infra 准备好了吗？

20. 美以伊战争的三种结局，我手搓的智能体推演出来了。 #大有学问 #智能体 #AI工具 #红衣聊AI #热点新闻事件

21. 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

22. 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

23. 为什么 Claude Skills 的爆发点在 2026 年 1 月？问：Claude Skills 是去年 10 月中就推出的，为什么现在才突然火起来？这是个很好的问题。Claude Skills 确实在 2025 年 10 月中旬就发布了，但直到 2026 年 1 月才真正爆火。这背后有表面原因，也有更深层的逻辑。核心原因就是这东西如果只能在技术圈自嗨，它是火不起来的。去年 10 月份 Skills 编程领域其实很快就开始用起来了，而现在火，只是因为它出圈了，在技术之外的领域火起来了，非技术人员也用起来了。Skills 真正的价值其实是在非编程领域。去年 Coding Agent（比如 Claude Code、OpenCode）开始在非编程领域开花，而 Skills 的设计特点让它能很快找到 Agent 在非编程领域上的场景落地。1. 有 bash 和脚本能力，可以自动化本机操作Skills 让 Claude 能借助代码脚本操作你的本机系统，把很多琐碎的电脑操作变成自动化操作。Claude Code 的创建者 Boris Cherny 在 X 上分享过一个有趣的观察：自从 Claude Code 发布以来，他发现用户们在用它做各种非编码的工作——做度假研究、做 PPT、清理邮件、取消订阅、从硬盘恢复婚礼照片、监控植物生长，甚至控制烤箱。> Since we launched Claude Code, we saw people using it for all sorts of non-coding work: doing vacation research, building slide decks, cleaning up your email, cancelling subscriptions, recovering wedding photos from a hard drive, monitoring plant growth, controlling your oven.>> 网页链接这些场景和写代码完全不沾边，但 Skills + bash 能力的组合让这一切成为可能。比如我自己就做了一些工作流，帮我采集信息、写作、写 PPT、画漫画、发布，极大提升效率。像发文章到公众号、X Article 这些，以前需要手动重复的操作，现在一个 Skill 就搞定了。2. Skills 可以相互调用，用自然语言编排工作流如果是单一的 skill，作用其实有限。但当你有多个 skills，并且 skills 还可以相互调用，那意味着你可以编排工作流。Skills 让 AI 可以像《黑客帝国》主角 Neo 那样瞬间学会新技能：“I know kung fu”。Claude 会根据任务自动加载需要的 Skill，完成后再卸载，整个过程无需用户干预。而最神奇的地方在于，你只需要用自然语言去编排工作流。这中间会有 Agent/大模型去解读你的自然语言，按照工作流执行，有问题还会帮你修复。这极大地解决了非专业用户需要程序员协助编排工作流的问题。3. Skills 本身易于分发，几乎成了每个 agent 的标配一个 skill 只要有一个 SKILL.md markdown 文件和辅助的脚本或者文档，打个 zip 包就能发布。这种轻量级的设计让分发变得极其简单。有个时间点很重要，2025 年 12 月 18 日，Anthropic 宣布将 Agent Skills 规范开放为跨平台标准。很快，微软在 VS Code 和 GitHub Copilot 中集成了对 Agent Skills 的支持，OpenAI 也在 ChatGPT 的代码解释器和 Codex CLI 中采用了几乎相同的技能目录结构。Skills 在 10 月发布时，主要还是被定位为开发者工具。但随着生态成熟、开放标准确立、以及 Cowork 这样面向普通用户的产品推出，Skills 在非编程领域的价值才真正被释放出来。回顾这个过程：10 月：Skills 发布，开发者圈小范围关注11-12 月：技能规范开放、生态扩展、用户积累经验1 月：产品更新 + 非编程场景落地 + 病毒式传播 = 爆发Skills 的爆发是现在它找到了真正的价值定位，让非程序员也能通过自然语言编排复杂的自动化工作流。这才是 Skills 真正火起来的原因，随着更多场景被发掘出来，还会持续的火上一段时间。

24. 《被美国遣返、禁止入境 5 年，他在温哥华的卧室里做出了日处理 400 万工作流的 AI 平台》 Gumloop 创始人 Max Brodeur-Urbas 的创业访谈整理。从被美国遣返、每周换一个创业想法，到在 AutoGPT 的 Discord 里发现真正的机会，他对 AI Agent 泡沫的批判来自亲身经历：用户要的不是自主 Agent，是可靠性。被美国遣返后他在卧室里做出了日处理 400 万工作流的 AI 平台

25. 现在agent开发，不论什么项目，都会遇到的又慢又不精准的问题解决了吗？

26. ClawTeam：让 AI Agent 自主组建团队、分配任务、协同工作的 CLI 工具github.com/HKUDS/ClawTeam/港大开源的一个项目：“AI 编程 Agent 很强大 —— 但它们各自为战。当任务太大时，你只能手动拆分工作、复制粘贴上下文、合并结果。如果 Agent 能自己组队呢？ClawTeam 实现了 Agent 群体智能（Swarm Intelligence）—— Agent 自主组建团队、分工协作、共享发现、收敛到最优方案。一个 Leader Agent 可以： 🚀 创建子 Agent —— 每个子 Agent 拥有独立的 Git Worktree 和 tmux 会话 📋 分配任务 —— 支持依赖链，完成时自动解除下游阻塞 💬 发送消息 —— 向任意子 Agent 发送指令 📊 监控进度 —— 查看看板、读取实验结果 🔄 调整方向 —— 终止低效 Agent，用新方向重新分配人类只需提供初始目标，群体智能完成剩下的一切。”#How I AI#

27. 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

28. MiniMax M2.7+OpenClaw实战！AI到底能接管多少工作？

29. 【保姆级】OpenClaw 全网最细教学：安装→Skills实战→多Agent协作，1 小时全精通！

30. 刚刚，阿里ATH事业群甩出王炸「悟空」！企业级正规军下场，龙虾们这次真要炸了

31. #豆包手机#豆包手机的亮相，将“AI Agent”的路线再次推向行业焦点，AI 应用从被动的指令响应，走向主动、连贯的服务编排。从功能应用来看，手机厂商近两年在AI领域的布局和迭代已有落地，今年发布的荣耀 Magic8 系列，主打“AI自进化”能力，正是基于精准的意图识别，在端侧将单一指令扩展为连贯的“服务链”：从“点一杯咖啡”到“安排一次完整的周末出行”。这种能力不再局限于完成孤立任务，而是能理解场景、组合服务、自动执行。你心中的 AI Agent是怎样的？

32. 电子书 Hermes Agent 从入门到精通地址： github.com/alchaincyf/hermes-agent-orange-book/ Hermes Agent 是 Nous Research 在 2026 年 2 月发布的开源 AI Agent 框架。它和 OpenClaw、Claude Code 走的路线不同：内建了自改进学习循环、三层记忆系统、Skill 自动创建和进化机制。如果你读过《Harness Engineering》橙皮书（本书可以在这里下载 www.huasheng.ai/orange-books/harness/ ），Hermes 是那本书讲的五个组件（指令/约束/反馈/记忆/编排）的第一次产品化实现。 #How I AI#

33. 按我的理解，虽然agent已经非常同质化了，目前主要是面向不同场景的功能取舍（而不是技术壁垒）：侧重聊天的注重性能优化，侧重任务的关注上下文管理，侧重复用性的关注流程编排，等等。我预测未来agent底层的sdk大概率会被统一，但是上层还是会有各种agent并存//@方军_:求教agent 层或者agent运行时为什么用这么好几种？想办法选定一种是不是也就够了？

34. 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）

35. 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#

36. Agency Agents：号称能一键搭建一个“AI公司”，配备55个高度专业化的AI员工，涵盖了工程、设计、营销、产品、项目管理、测试、支持、空间计算等多个部门，非常像现实中的公司架构。项目亮点：- 明确分工，每个AI都是某个领域的大咖，比如前端工程师、品牌守护者、增长黑客、Sprint优先级规划师、质量验证专家等；- 强调协作和流程，模拟真实团队工作，解决单一大模型扛全的性能瓶颈和职责模糊问题；- 支持Claude Code等主流AI代码工具，且自带批量生成和安装脚本，方便集成到各种AI开发环境。社区反馈和潜在问题：- 很多网友表示这套系统在“演出”层面非常完整和有趣，但实质执行时仍然有上下文共享难题，多个agent之间的记忆和协调尚不可控；- 多agent间消息传递带来海量tokens消耗，成本和效率成了大考验；- 也有人提出可以配合类似GSD，Paperclip等工具做更好地执行管理和成本控制；- 有人建议加入一个“成本管控agent”，专门监控预算和token消耗，避免“爆账”。未来展望：这类多agent“AI公司”架构是2025年后业界的新趋势，有论文表明多agent协作能提升复杂任务完成率25%左右，远优于单agent模型。尽管目前还处于早期，可玩性和探索价值极高。正如Greg所说，未来属于愿意折腾这些新技术的创造者。想玩转AI多agent团队，又想少踩坑的话，这个项目值得关注和研究。源码开放，社区活跃，非常适合爱折腾的工程师和创始人们自己动手搭建“未来的公司”。#AI创造营##人工智能# GitHub：github.com/msitarzewski/agency-agents

37. Claude Code subagent vs.Agent Teams vs. worktreeClaude Code支持多Agent协作，但里面的sugagent、Agent Teams、git worktree 概念容易混淆，好像都能并行协作开发。大多数开发者的错误做法是：把所有多Agent任务都用Agent Teams，或者把简单的工作也劲头十足地搞worktree，结果代码复杂度爆炸。1. Claude Code官方文档现在把它分成三个清晰的层级：层级1：Subagent（会话内辅助）适用场景：在当前编码会话内部创建临时任务特点：轻量级、快速、无需通信开销例子：「帮我写单元测试」「重构这个函数」「生成API文档」本质：一个主Agent指挥多个临时小助手，完成当前任务成本：低，通信延迟小层级2：Agent Teams（需要Agent间通信的并行任务）适用场景：多个Agent需要真正协作、信息交互特点：Agent有各自的记忆、上下文、角色定位例子：前端Agent + 后端Agent + DevOps Agent 协同开发一个微服务架构本质：真正的「团队」，每个Agent有独立决策权成本：高，需要复杂的通信协议和状态管理层级3：Git Worktree（轻量并行选项）适用场景：传统多分支开发，手动协调特点：完全依靠Git，不需要Agent间通信例子：同时开发feature1和feature2，用两个worktree分离代码树本质：操作系统级别的并行，Agent各自独立运行成本：中等，但需要手动协调merge2. 实战建议：1）刚开始用Claude Code？用Subagent。让一个主Agent指挥，足够了。2）小团队开发微服务？用Agent Teams，但不要超过3个Agent（通信成本会爆炸）。3）大型项目长期并行？用Worktree，保持简单，让人类开发者协调。大多数人的错误是高估了自己的需求，直接跳到Agent Teams。结果是Agent间通信变成性能瓶颈，不如一个聪明的Subagent快。3. 背后的工程思想这个三层设计反映了一个深层原则：越高级的能力，越要谨慎使用。Subagent看似简单（一个主Agent内部）但足以解决90%的任务。Agent Teams强大但需要精细的通信协议。Worktree原始但极其稳定。官方的建议其实是在说：从最简单的方案开始，只在确实需要的时候才升级。这叫做「渐进式能力提升」。很多开发者喜欢一上来就用最强的功能，结果代码难以维护、Agent间延迟高、调试成本爆表。明确边界后，选择变得简单了。官方文档：code.claude.com/docs/en/agent-teams#HOW I AI# #程序员#

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

39. 《多智能体协作指南：五种主流模式怎么选、怎么用？》 Anthropic 官方博文：深入拆解 5 种多智能体协作模式的运作原理与优缺点，教你如何根据实际需求挑选最合适的框架，并在遇到瓶颈时丝滑升级。多智能体协作指南：五种主流模式怎么选、怎么用？

40. 在线学习智能体构建，总被碎片化资料困扰？Datawhale 社区打造的《从零开始构建智能体》教程，帮你系统掌握智能体原理与实践！这个开源项目覆盖了智能体基础知识、大语言模型智能体搭建、高级技术扩展，到多智能体综合案例实战，最后还有毕业设计项目，理论与实战并重，适合有 Python 基础和 LLM 概念的开发者、学生、自学者。亮点功能：- 全面讲解智能体历史、范式与类型，打好理论根基；- hands-on 经典智能体范式实现（ReAct、Plan-and-Solve 等）；- 探索低代码智能体平台并开发自研智能体框架；- 深入上下文工程、记忆检索、多智能体通信协议与智能体训练；- 丰富实战案例：智能旅行助手、深度研究智能体、模拟赛博小镇；- 配套完整代码，支持本地运行，社区活跃互动，随时求助解惑。项目完全免费，PDF 教程无水印，助你从 LLM 使用者进阶为智能体系统构建者。📚 在线阅读及教程下载地址：datawhalechina.github.io/hello-agents/🌟 GitHub 地址：github.com/datawhalechina/hello-agents动手实践智能体开发，让 AI 不再是黑盒，成为你创造未来的利器！#AI创造营##人工智能#

41. LangChain Agent 年度报告：输出质量仍是 Agent 最大障碍，客服、研究是最快落地场景

42. 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#

43. 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#

44. 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

45. TRAE中国版白送SOLO，一人指挥一支AI大军重磅消息！SOLO终于上线TRAE中国版了，Waitlist免费开放中本期视频实测TRAE的新版本，亮点很多 1、先规划再动手的 Plan 模式 2、带专家团一起干活的 Subagent 子智能体 3、DiffView 差异视图 4、多任务并行 5、上下文智能压缩长时运行不掉链子 SOLO终于把AI从“瞎干活的外包”变成了“懂协作的队友” #AI #人工智能 #TRAE #AI编程 #vibecoding

46. 2026企业级智能体白皮书｜甲子光年智库

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

48. 深度｜Agent Harness：当驯化Agent取代通用代理成为硅谷新共识

49. 一个不错的Agent教程：《从零开始构建智能体》——从零开始的智能体原理与实践教程本教程旨在带领大家深入理解并构建真正的 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。访问：github.com/datawhalechina/hello-agents #ai创造营# #程序员#

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

51. AI Agent 的工作原理和架构是什么？

52. Lark CLI：飞书官方的AI Agent工具，把企业SaaS变成可编程。如果你用过Claude Code、OpenClaw、或其他AI编程工具，你可能想让AI代理操作飞书： - 查日历、创建日程 - 发送消息、创建群组 - 创建文档、编辑表格 - 创建任务、更新任务状态但问题是，飞书的Open API 文档繁琐，参数复杂，API响应也不友好。AI Agent 经常出错，或者需要你花大量token来重复确认参数。 Lark CLI 就是来解决这个问题的。 1. 三层架构 • Shortcuts（快捷命令）：lark-cli calendar +agenda 简洁友好，既适合人工，也适合AI。有智能默认值，输出有表格格式。 • API Commands（标准命令）：lark-cli calendar events instance_view --params '{...}' 从飞书Open API直接映射，参数和响应精确映射。 • Raw API（原始API）：lark-cli api GET /open-apis/calendar/v4/calendars 覆盖所有2500+ APIs，完全不受限。 AI Agent 可以根据任务复杂度选择合适的层级。简单的用快捷命令（token少、成功率高），复杂的可以降级到标准命令或原始API。 2. Agent-Native Design CLI本身是用AI测试过的。每个命令都优化过： • 参数尽可能简洁 • 输出格式结构清晰（JSON、table、CSV都支持） • 有 --dry-run 让AI先看执行计划再提交 • 有 --page-all 自动分页处理（AI不用费力手动翻页） 3. 认证和权限管理关键是AI Agent的身份管理， 1（支持用户身份执行 lark-cli calendar +agenda --as user 2）Bot身份执行（自动化场景） lark-cli im +messages-send --as bot --chat-id "oc_xxx" --text "Hello" 这很重要。AI代理可以在不同身份间切换，既能代表用户操作，也能用专门的Bot身份批量处理。支持日历、消息、文档、表格、任务、知识库、联系人、邮件、会议纪要等功能。 http://t.cn/AXI2Zimt #HOW I AI# #程序员#

53. 企业级AI Coding的落地方法，都在这本实战手册里了｜甲子光年

54. 多 Agent 架构实战

55. 介绍一下多 Agent 如何实现工作？多个 Agent 之间如何协调和分工？

56. 多 Agent 协作系统

57. AI Agent 智能体 - Multi-Agent 架构入门

58. 探秘多Agent架构之一

59. 让 AI 给你打工！OpenClaw 多 Agent 架构实战指南

60. Agent的四大任务结构分类

61. 告别单体 Agent

62. 2026 年 AI Agent 的 5 个技术趋势

63. 一文看懂 Agentic AI

64. 多Agent协作（Multi-Agent Systems）

65. 别急着堆 Agent

66. 图解 AI Agent 三种设计范式｜ReAct、Plan & Execute、Multi-Agent

67. 走出单体幻觉

68. AI智能体架构选择

69. 关于AI智能体架构演进的系统性思考

70. 2026十大AI技术趋势

71. 见真章，定未来

72. 2026年AI十大趋势深度解读

73. 2026年AI Agent技术趋势展望

74. 2026年AI七大趋势

75. AI算法大模型面试 | 多agent怎么协作

76. 2026 AI智能体产业舆情与深度分析报告（二

77. 1️⃣2️⃣每日分享一个AI名词-「多智能体系统」

78. AI Agent全方位学习第十章

79. 搞懂多智能体协同，7个AI如何像团队一样分工协作？搞懂多智能体协同，这一篇就够了！🎯

80. 2026 年 AI Agent 大爆发

81. 🫖 单打独斗 vs 团队协作

82. 都 2026 了，还在让 Agent 单兵作战？5 个开源 Multi-Agent 编排项目

83. AI考古

84. 我从Claude Code 51万行源码中学到了什么？Multi‑Agent、Agent记忆、自动化编排

85. 现在很多人叫“Agent”的东西，其实只是工作流

86. AI Agent、工作流、智能体到底啥区别？一篇讲清楚

87. 一文读懂

88. 什么是 Agent？

89. 基于OpenClaw的多Agent协作工作流创建经验分享

90. Towards a Science of Scaling Agent Systems(多智能体系统，不是越多越好)

91. 前沿突破 | 广州国家实验室构建LLM智能体单细胞组学基准体系

92. LongVideoAgent

93. 多Agent协同开发指南

94. 单Agent延迟砍掉4.5倍，性能反升6%！Kimi K2.5的“Agent群”杀疯了！

95. AI Agent 实战指南

96. AI Agent生态大爆发（2026-2027）

97. 🚀 2026

98. 多智能体系统

99. 多Agent协同原理、模式、应用场景

100. 从 0 到 1

101. 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

102. 企业AI智能体大排雷

103. 用 8 个 AI Agent 12 分钟改进 6900 行 UECLI材质模块——多 Agent 编排实战

104. 不再单兵作战

105. Claude 多智能体架构全解析

106. Anthropic最新思考，什么时候才真的需要构建多智能体？

107. 从单体到多智能体，AI Agent 的四大架构与选型指南

108. 拆解 AI 交互最优解

109. 企业级AI智能体开发宝典

110. 模型和Agent的边界

111. AI AGENT是如何构成的｜核心组件｜标准架构｜AGENT系列

112. [完整13章]多 Agent+Skills+SpringAI 构建自主决策智能体

113. 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%

114. 谷歌揭示智能体协作三大定律打破越多越强迷思摘要

115. 谷歌MIT联手:首个智能体Scaling Law出炉,盲目堆Agent性能暴跌70%

116. 用Agent与大模型实现Web项目全自动化生成:从需求到部署的完整落地方案

117. 多Agent来了,AI产品经理的底层逻辑要换了

118. Genspark启示录:多智能体混合的超级工程|甲子光年

119. 多Agent协作系统设计模式:构建智能系统的核心架构

120. 多Agent智能体

121. GPTBots Multi-Agent架构解析:如何利用多Agent协同搭建业务智能化升级

122. Claude Code的skill+agent模式为何比多agent更高效？

123. 7*24小时全栈开发的Agent Team 避坑指南

124. 别迷信超级大脑:多Agent系统的真正瓶颈从来不是智能,而是治理

125. Harness Engineering 给我的启发:用 AI 做 Android 需求,怎么不翻车

126. 收藏必备!小白程序员轻松入门大模型多Agent协作开发

127. 别再只会 Tool Calling：Agent 编排才是 AI Agent 落地的真正核心

128. 从流程到编排：Agent 系统的下一代设计范式

129. 从单体 Agent 到群体智能：OpenClaw 背后的分布式 AI 演进

130. 2024-2025年大模型智能体(LLM Agent)最新论文综述

131. 群体智能架构设计：从单体 Agent 架构到分布式 AI 治理架构

132. 多 Agent 自动生成：从手搓架构到约束优化

133. Claude Code 源码多 Agent 架构解析

134. DeepMiner在多智能体协同架构中的性能表现

135. 【AI智能体】智慧城市建设中嵌入任务型AI智能体的整体框架、架构和完整工具链解决方案的总体思路

136. OpenClaw 多 Agent 协作架构实战：构建自动化研发流水线

137. 第九章：多Agent智能体协作（OpenClaw）

138. 龙虾技巧 | Lobster第4技：多Agent架构与协作模式深

139. 多智能体协作的真相：不是“合作”，而是“博弈”

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

141. 2026年AI Agent爆发：你的数字员工已上线，你准备好了吗？

142. 【深度分析】2026 AI Agent 商业化落地报告：从技术验证到规模盈利的关键跨越

143. TypeScript 生态终于有了自己的多 Agent 框架：open-multi-agent 架构解析

144. MCP 工具过载怎么办？从单体架构到层级化子 Agent 的演进之路

145. 多智能体系统架构实战 | AI Engineer

146. 🔥 Agent多智能体架构怎么选？

147. 多 Agent 协作怎么设计？工作流怎么编排？

148. Agent 编排层的“Kubernetes 时刻”

149. openJiuwen 多智能体实践指南（一）：从单Agent编排到多智能体协作

150. Multi-Agent系统是如何协作完成复杂任务的？

151. ⚡AI智能体的终极架构：六大设计模式揭示未来

152. 2026年AI Agent元年：从概念到落地的实战指南

153. 多智能体视频推荐系统：演进历程、范式模式与开放性挑战

154. 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

155. AI Agent编排的11种模式｜附开源代码

156. Test-time scaling并非万能 — 通用智能体的扩展瓶颈

157. 用实例看清楚AI Agent全流程！

158. 《智能体设计模式》读书翻译笔记——第7章多智能体协作

159. Dr. MAS解决多智能体LLM系统端到端RL后训练

160. LLM Agent 成本居高不下？斯坦福最新研究！从业者必学的省钱大招 | Agentic Plan Caching：LLM 智能体应用的成本优化新方案

161. 2026 年 AI Agent 技术全景：12 大主流框架深度解析与架构演进趋势

162. AI 智能体的技术架构

163. 02-AI Agent 工作流设计实战

164. 读懂Agent❗19类Agent框架对比

165. 构建多智能体 AI 应用的5个最佳框架所谓多智能体系统（Multi-Agent System, MAS），这些智能体能够感知环境、与其他智能体交互，并通过协作解决复杂的任务。这几天完整整理了多agent系统架构设计模式及协作模式 ✅主要整理的agent设计为： 🅰️多agent开发框架 MetaGPT，AutoGen，CrewAI，Langgraph 🅱️多agent协作方式 MetaGPT，AutoGen，XAgent，含内循环，外循环，planagent，toolagent 💾可以归纳出一个等式：多智能体=智能体 + 环境 + SOP + 评审 + 通信 + 成本#大模型 #大语言模型 #大模型微调 #大模型入门 #大模型应用

166. AI智能体五层架构各有哪些核心技术支撑？