-
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
-
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 智能体的上下文工程：实用指南
本文深入探讨了 AI 智能体开发中的“上下文工程”这一新兴领域，将其视为传统提示词工程的自然演进。文章首先定义了上下文为 LLM 输入的所有 Token 集合，并指出工程目标是在 LLM 固有注意力限制下优化 Token 效用。它详细对比了提示词工程与上下文工程的区别，强调后者关注模型推理过程中所有信息的筛选与维护。文章剖析了 LLM 面临的“上下文衰减”和注意力预算限制，强调了高效上下文工程的重…- 0
- 0
-
深度解读《AI 智能体的上下文工程》：构建高效 Agent 的七个宝贵教训
本文深入解读了 Manus 团队关于 AI 智能体上下文工程的七个核心经验教训，旨在帮助开发者构建更高效、低成本的 AI Agent。文章首先强调应优先依赖上下文工程而非自训练模型，因为后者成本高昂且效果不佳。接着，详细阐述了如何通过 Prompt 缓存机制（特别是前缀匹配）显著降低成本和延迟，并警示了动态前缀和修改历史消息的常见错误。针对 Agent 应用中的挑战，作者提出了固定工具列表结合预填…- 0
- 0
-
AI 智能体实战：100+次迭代后的意图识别提升之道
文章深入探讨了 AI 智能体在构建过程中，如何通过四阶段迭代优化意图识别和槽位抽取。从初级的提示词工程方案（方案 A）应对简单场景，到中级方案（方案 B）通过意图与槽位节点分离解决提示词膨胀问题，再到进阶方案（方案 C）引入 RAG 进行意图预泛化以提升泛化能力。最终，文章提出了高阶方案（方案 D），该方案合并了意图抽槽节点并升级了 RAG 召回能力，有效解决了多轮对话中的意图混淆和响应延迟问题。…- 0
- 0
-
4 万字全文: Andrej Karpathy 最新深度解析人工智能的真实边界与未来: 智能体十年征途 | 总结+视频
文章深入总结了 Andrej Karpathy 与 Dwarkesh Patel 的深度对话，揭示了 Karpathy 对当前人工智能发展趋势的审慎判断。他指出，我们正处于“智能体的十年征途”，而非一蹴而就的“智能体元年”，因为当前 AI 智能体在认知、多模态、持续学习和复杂计算机操作方面存在根本性缺陷。Karpathy 将 AI 模型比作“幽灵”而非“动物”，强调其通过模仿人类数据而非生物进化而…- 0
- 0
-
115. 对 OpenAI 姚顺雨 3 小时访谈：6 年 Agent 研究、人与系统、吞噬的边界、既单极又多元的世界
本期播客特邀 OpenAI 研究员姚顺雨，围绕 AI 智能体（Agent）的构建、创新及对未来社会的深远影响展开深度对话。姚顺雨回顾了其从理论计算机科学转向语言智能体研究的历程，强调语言作为实现泛化最本质工具的重要性。访谈深入阐释了 Agent 的定义、其从符号主义到深度强化学习再到大语言模型驱动的三波演进，并指出当前 Agent 研究已进入“下半场”，核心挑战从模型和方法转向如何定义有价值的任务…- 0
- 0
-
不再构建智能体，转而构建技能 – Barry Zhang & Mahesh Murag，Anthropic
在本次演讲中，Anthropic 的 Barry Zhang 和 Mahesh Murag 介绍了“智能体技能”（Agent Skills）这一概念。他们指出，当前的 AI 智能体虽然拥有智能，但常缺乏实际工作所需的领域专业知识。智能体技能通过将可组合的过程性知识打包成简单的、基于文件的文件夹来解决这一问题，使其易于创建、版本控制、共享，并能与现有运行时环境和模型上下文协议（MCP）服务器集成。这…- 0
- 0
AI智能体
-
✈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：×