-
在 WAIC 耳朵听出茧子的「智能体」，是时候系统学一下了 ｜ 机器之心
在 WAIC 智能体热潮背景下，本文系统阐述了 AI 智能体的演进与核心机制。文章首先强调智能体是 LLM 走向应用的重要方向，随后详细介绍了 LLM 如何通过工具使用（如微调、提示词驱动、MCP）扩展能力，以及如何通过推理模型（如 CoT、RLVR）提升思考深度。接着，重点剖析了 ReAct 框架如何平衡推理与行动，实现智能体的自主问题分解与解决，并通过知识密集型推理和决策制定等案例展示其应用。…- 0
- 0
-
Anthropic 发布 AI Agent 上下文工程指南
文章深入探讨了 Anthropic 提出的“上下文工程”概念，将其定位为“提示词工程”的自然演进，强调在构建工业级 LLM 应用时，需全面管理模型可访问的整体状态。文章指出，尽管 LLMs 处理能力增强，但仍存在“上下文衰减”现象，因此需要精心设计上下文以应对有限的“注意力预算”。指南详细介绍了高效上下文的结构，包括清晰的系统提示词、高效的工具设计和规范的少样本示例。此外，文章还提出了针对长期任务…- 0
- 0
-
ReAct 范式深度解析：从理论到 LangGraph 实践
本文从 ReAct（Reasoning and Acting）范式的概念和原理入手，阐述了其如何通过“思考-行动-观察-调整”的循环，解决传统 AI 在复杂任务中推理与行动分离的痛点，并实现信息获取、透明推理和复杂协作。接着，文章详细介绍了 LangGraph 框架如何将 AI Agent 的执行过程抽象为有向图，并通过状态驱动、条件路由和工具绑定等核心机制，高效实现 ReAct 范式。最后，作者…- 0
- 0
-
AI 智能体的上下文工程：构建 Manus 的经验教训
文章围绕构建 AI 智能体 Manus 的实践经验，详细阐述了“上下文工程”在 AI 智能体开发中的关键作用和具体原则。作者从早期创业教训出发，强调了上下文工程相比模型微调在快速迭代中的优势。文章核心分享了六大经验教训：围绕 KV 缓存进行设计以优化延迟和成本；使用 Logits 掩蔽而非移除工具来管理动作空间；将文件系统作为无限上下文来处理巨量观察结果；通过“复述”机制引导模型注意力以避免目标偏…- 3
- 0
-
LangChain 和 Manus 的 AI 智能体上下文工程实践
来自 LangChain 的 Lance 和 Manus 的 Pete 在本次网络研讨会中深入探讨了 AI 智能体的上下文工程。Lance 介绍了由于长期运行的智能体中出现的“上下文腐烂”问题而兴起的上下文工程，并概述了上下文卸载、上下文缩减、上下文检索、上下文隔离和缓存等常见主题。他还分享了来自开放深度研究等项目的示例。随后，Pete 分享了 Manus 最新的实践经验，并强调了上下文工程对于初…- 0
- 0
-
Claude Code 究竟牛在哪里？（以及如何在你的 AI 智能体中复刻它的魔法！）
文章详细分析了 Claude Code AI 智能体为何能提供卓越的用户体验，并提炼出了一套可复用于其他 LLM 智能体构建的设计原则。作者通过深度使用和日志分析，指出其核心在于“大道至简，傻瓜式操作”，强调避免过度复杂化，如多智能体系统或复杂的 RAG 搜索。文章从四个关键方面展开：控制循环、提示词、工具和可引导性。在控制循环方面，建议保持单一主循环和扁平的消息历史，并大量使用小型、成本效益高的…- 0
- 0
-
OpenAI: 构建 AI 智能体实用指南
文章深度分析了 OpenAI 发布的《构建 AI 智能体实用指南》，首先明确了 AI 智能体作为能够自主代理用户完成任务的新型软件范式，区别于传统工具。接着，详细论述了最适合应用智能体的三类复杂场景：复杂决策、难以维护的规则系统及非结构化数据处理。文章的核心部分阐述了智能体的三大基石：模型（LLM 作为大脑）、工具（连接外部世界的双手）和指令（行为准则），并强调了它们之间的关注点分离优势。在架构与…- 0
- 0
-
110. 逐段讲解 Kimi K2 报告并对照 ChatGPT Agent、Qwen3-Coder 等：“系统工程的力量”
本期播客深入探讨了大型语言模型（LLM）驱动的 AI 智能体（Agent）从理论研究到实际应用的复杂性与挑战。嘉宾首先对 Agent 进行了清晰定义和分类，包括 Coding Agent、Search Agent、Tool-Use Agent 和 Computer Use Agent，并阐述了其感知与行动的核心能力。对话对比了 In-Context Learning 和端到端训练两种主流技术路线的…- 0
- 0
-
LangChain CEO 再聊 Agent：chat 模式只是起点，Ambient Agents 才是未来
本文通过 LangChain CEO Harrison Chase 和企业 Agent 平台 Dust CEO Stanislas Polu 的深度对谈，探讨了 AI 智能体（Agent）的未来发展。文章首先澄清了 Agent 与 Workflow 的定义和核心区别，指出 Agent 更具灵活性和想象空间。随后，两位 CEO 展望了 Agent 的交互模式将从当前的聊天模式转向更“环境化”（Amb…- 0
- 0
-
腾讯混元推出 ETC 领域首款 AI 智能体 助力用户畅行无阻
近日，在智能交通领域，腾讯云与安徽驿路微行科技有限公司联合推出了 ETC 助手的全新功能 ——“助手 Agent”，这款基于腾讯混元大模型的 AI 智能体为 ETC 用户提供了更为便捷和高效的服务。用户可以通过文本或语音指令与智能体进行交互，获得准确的答复和服务支持。据官方数据显示，自今年4月启动内测以来，助手 Agent 已成功服务超过百万用户，其问答准确率高达95%，问题解决率也达到了90%。…- 0
- 0
-
联想将发布全球首款“AI超级智能体”，全生态硬件互联对标豆包
随着人工智能技术加速向端侧渗透，联想集团正准备在即将到来的CES展期间，祭出其在人工智能领域的“杀手锏”。据科技媒体爆料，联想计划发布首款面向全球市场的“AI超级智能体”。这一动作被视为联想公司级的战略部署，旨在通过系统级的AI应用重塑硬件交互体验。知情人士透露，这款尚未正式命名的超级智能体在核心能力上直接对标字节跳动的“豆包手机助手”，但在功能维度上展现出更强的跨设备整合力。不同于目前市面上多数…- 0
- 0
-
奥特曼最新专访：2025，AI 智能体正加速登场
OpenAI 联合创始人兼 CEO 山姆 · 奥特曼在红杉资本的“2025 AI Ascent”大会上，回顾了 OpenAI 从初创实验室到全球领先 AI 平台的历程，并分享了他对 AI 行业未来的洞察。他认为，AI 将从单纯的搜索工具演变为高度个性化的 AI 服务，记住用户的完整生活背景，并在多个应用和服务之间无缝协作。奥特曼还给出了 AI 智能体的发展时间表：2025 年开始大规模应用，202…- 0
- 0
-
为什么每个智能体都需要开源云沙箱
E2B 通过提供开源云沙箱，解决了 AI 智能体运行环境的复杂性和安全性问题。它为 AI 智能体提供隔离的云环境，安全地执行代码、进行数据分析和强化学习。越来越多的 LLM 工作流和智能体依赖于工具的使用和多模态，E2B 的沙箱满足了这些需求，例如支持 Perplexity 的数据分析、Manus 的代码执行等。E2B 致力于将基础设施管理从开发者转移到 AI 智能体，使其能够管理虚拟计算机、运行…- 0
- 0
-
AI 智能体（Agentic AI）现状：创始人篇
该文章深入探讨了 AI 智能体在企业级生产环境中落地的现状、挑战与成功策略。作者通过调查欧洲 30 余家 AI 智能体初创公司创始人并采访 40 余名从业者，揭示了当前部署面临的最大挑战并非技术本身，而是工作流集成、人机界面、员工抵触以及数据隐私与安全问题。文章详细定义了 AI 智能体的关键属性（目标导向、推理、自主性、持久性），并区分了其与传统 LLM 聊天机器人和 RPA 的不同。调查发现，A…- 0
- 0
-
智能体如何使用上下文工程
该视频全面解释了 AI 智能体的上下文工程，这是一个关键的挑战，因为任务的复杂性和长度不断增加，导致“上下文腐烂”、成本增加和性能下降。来自 LangChain 的 Lance 介绍了三个通用原则：卸载、减少和隔离上下文。卸载涉及将上下文移动到外部存储（如文件系统），这实现了跨任务和智能体调用的持久性。例如，Claude Code 的“Skills”和 Manis 使用 `bash` 工具，允许将…- 0
- 0
-
使 Cloudflare 成为构建 AI 智能体的最佳平台
Cloudflare 致力于成为构建 AI 智能体的首选平台，并为此推出了一系列新工具和服务。`agents-sdk` 是一个新的 JavaScript 框架，用于构建 AI 智能体并直接部署到 Cloudflare Workers，它支持实时通信、状态持久化，并能执行长期运行的任务。Workers AI 增加了结构化输出（JSON 模式）、工具调用和更大的上下文窗口，增强了 AI 智能体的功能。…- 0
- 0
-
黄仁勋放话：英伟达全员拥抱智能体！
文章探讨了 AI 智能体对软件开发领域带来的变革。英伟达 CEO 黄仁勋提出公司全员配备 AI 助手，并预测 AI 将从被动响应指令进化为主动思考、计划和执行任务的智能体。Meta 和微软等公司也纷纷表示 AI 将重塑开发者角色，AI 将承担越来越多的代码编写工作。文章分析了 AI 在代码生成、测试、文档编写等方面的应用，以及在提高生产力、降低成本方面的潜力。同时也指出了 AI 在安全性、技术门槛…- 0
- 0
-
MCP 遇上代码执行：构建更高效率的 AI 智能体
文章深入探讨了 AI 智能体在使用模型上下文协议（MCP）时面临的效率挑战，即工具定义和中间结果过度消耗 Token，导致成本和延迟增加。为解决此问题，文章提出将 MCP 服务器视为“代码 API”，让智能体通过编写代码而非直接调用工具进行交互。这种“代码执行”模式允许智能体按需加载工具定义，并在执行环境中处理大型数据，避免不必要的 Token 消耗。文章详细阐述了该方法在节省上下文、保护隐私、实…- 0
- 0
-
万字综述，讲一讲这两年大模型这整个领域到底发展了哪些方面
文章深入探讨了大型语言模型（LLM）自 2023 年 GPT-4 发布以来的演进路径。它首先指出“唯参数规模论”的局限性，并分析了当前领域对效率、推理能力和智能体化的迫切需求。文章详细阐述了混合专家（MoE）架构和新型注意力机制（如 MLA、闪电注意力）如何解决效率瓶颈，以及“推理时计算”（Thinking）范式的兴起及其对模型性能的提升，并强调了强化学习在其中角色的转变。随后，文章探讨了 AI …- 0
- 0
-
如何构建你的 AI 智能体：让 AI 更出色的 11 种提示技巧
文章深入探讨了构建高性能 AI 智能体的核心技术——提示工程（Prompt Engineering）。作者（来自 Augment Code）分享了他们在实践中总结的 11 种关键技巧，强调了提供高质量上下文、构建完整的“世界观”、保持提示一致性、与用户视角对齐、以及提供充分详尽信息的重要性。文章还讨论了评估提示的方法、模型调用工具的局限性，并提到有时“威胁”或“唤起同理心”可能有效。最后，作者指出…- 0
- 0
-
1 次搭建完胜 1 亿次编码，MCP 硅谷疯传！Anthropic 协议解锁智能体「万能手」
本文深入介绍了 Anthropic 提出的模型上下文协议（MCP），旨在解决 AI 智能体与外部工具和服务集成时的复杂性和低效问题。MCP 通过提供一个标准化的通用接口，类似于 USB-C 接口对于设备的连接，极大地简化了 AI 模型与各种外部资源之间的交互，**使配置次数从 1 亿次降低到 2 万次**。文章详细解释了 MCP 的架构、工作原理及其与传统 API 的区别，强调了 MCP 在灵活性…- 0
- 0
-
AI 智能体 (AI Agent) 如何大规模推动 Shopify 的产品分类体系进化 (2025)
文章深入探讨了 Shopify 如何通过一个创新的 AI 多智能体系统，解决电商平台产品分类体系大规模维护和进化的挑战。传统人工维护难以跟上新产品、新趋势和商家需求的变化，导致分类体系在数量、专业知识和一致性上面临巨大难题。该系统不同于传统分类方法，它通过专门的 AI 智能体进行持续进化，而非静态构建。其核心架构基于专业化分析、智能协调和质量保证，整合了真实商家产品数据，并采用多智能体分工进行结构…- 0
- 0
AI智能体
扫码打开当前页
-
✈优惠劵使用时效：无法使用使用时效：
之前
使用时效：永久有效优惠劵ID：×