AI标签_CSDN-OPC开发者社区

AI

Open Deep Research：LangChain 官方开源深度研究 Agent 的设计逻辑与实践价值

现在我有了足够的信息，开始撰写完整的中文学习笔记。

星核 AI 实验室
2026-07-22 16:04:34

 275

 4

#AI #自动化
MCP与Agent Skill：AI能力构建的“手”与“手册”，一篇读懂它们如何协同提升Agent表现！

为什么AI大模型成为越来越多程序员转行就业、升职加薪的首选很简单，这些岗位缺人且高薪智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。AI产业的快速扩张，也让人才供需矛盾愈发突出。

猿类崛起@
2026-07-16 10:18:29

 227

 6

#人工智能 #职场和发展 #产品经理 +2
Agent 实战的底层逻辑

文章摘要：当前Agent技术虽热，但生产实践经验稀缺。核心观点是Agent本质上是上下文工程（Context Engineering），能力上限取决于信息组织方式。文章指出应避免过度依赖框架、迷信长上下文，强调Benchmark优先、工具设计简洁、缓存优化等实践原则。同时提醒Memory技术尚未成熟，复杂编排可能适得其反，主张保持简单核心循环。随着模型进步，真正持久的Agent系统将是那些深刻理解


2026-05-30 21:56:36

 407

 7

#人工智能 #AI
Agent工具调用总失败？我用四层防御把成功率拉到99%

本文探讨了如何提高Agent工具调用的稳定性，从工具调用失败的根本原因出发，构建了四层防御机制。首先指出LLM输出的不确定性是失败主因，包括格式混乱、参数缺失等问题。然后提出完整的工具定义应包含名称、描述和参数模式三要素，强调描述质量直接影响工具选择准确性。文章重点介绍了四层防御策略：Prompt层通过示例引导正确格式；解析层采用宽松正则匹配；校验层利用Pydantic进行参数验证；执行层实施重试

 恋恋风尘hhh
2026-06-10 14:12:55

 506

 14

#AI
17步拆解！一张图看懂AIAgent全流程，轻松掌握大模型应用开发核心！

本文通过一张图拆解了AIAgent从用户提问到结果返回的17步全流程，剖析了提示词、Agent、大模型等关键要素如何协同构建"自然语言意图→智能决策→工具执行→结果反馈"的闭环系统。同时介绍了AI大模型应用开发工程师的职责：需求分析、技术选型、应用开发、测试优化及部署运维，该岗位月薪可达60k，是连接AI技术与业务落地的关键桥梁。文章为开发者提供了构建高效AI应用的系统化框架，

全栈大佬！
2026-04-07 17:00:33

 296

 5

#人工智能 #产品经理 #学习 +2
智能体Agent自学教程推荐，Hello-Agents

2026年系统性的自学LLM、RAG、Agent等AI前沿技术，推荐最近我在看的电子书《Hello-Agents》，中文名为《从零开始构建智能体》，目前在GitHub上已经斩获15k的Stars，并且上升曲线非常陡峭，凸显其关注度和受欢迎程度。

菜鸟Java码农
2026-03-10 10:20:06

 405

 12

#人工智能 #产品经理 #RAG +1
[人工智能]PyTorch：Python中的深度学习框架

本文面向工程实践介绍深度学习框架PyTorch，说明张量、自动求导和模块等核心概念，并描述在CPU/GPU上构建、训练和部署模型的典型工作流程。通过示意图表展示训练损失、准确率和GPU资源使用等信息，以帮助读者形成完整的工程视角。

TechEdu202606
2026-08-04 20:57:00

 684

 19

#人工智能 #AI #pytorch
Vibe-Trading：港大开源的 LLM 自主交易 Agent——能用，但得知道边界在哪

随着 LLM 越来越擅长生成"看起来合理但实际过拟合"的回测结果，如何判断一个 AI 生成策略的真实 OOS 有效性，将成为下一个核心问题。：可以把 Vibe-Trading 当作"策略原型生成器"而非"交易系统"——用它在几分钟内跑出10个假设的初步回测，筛选值得深入研究的方向，再用 QuantConnect 或自有系统做严格复现。这是当前 AI-for-Finance 工具链的一次有代表性的工

 星核 AI 实验室
2026-07-13 12:20:06

 424

 6

#AI #自动化
s03_待办清单驱动执行：为什么 Agent 做复杂任务时需要持续更新计划

摘要：本文探讨了Agent在执行复杂多步骤任务时容易偏离主线的问题，提出通过"待办清单驱动执行"的解决方案。核心思路是让Agent自行维护结构化任务清单（TodoManager），而非依赖固定流程规划

 墨1024
2026-04-03 22:58:18

 456

 11

#AI
第十章：构建你的第一个Agent—— 5步零门槛上手指南

提取日程信息不准确改进extract_event_info方法，或让LLM提取"""用LLM提取日程信息"""请从以下用户输入中提取日程信息，输出JSON格式：def extract_event_info_with_llm(self , user_input) : """用LLM提取日程信息""" prompt = f"""请从以下用户输入中提取日程信息，输出JSON格式： {user_input

LuoQuHen
2026-04-01 07:14:16

 434

 9

#AI
[Agent的评估-02]MAF Agent评估系统三个核心要素

“Agent的评估-01：针对MAF的三种Agent评估方式”针对三种IAgentEvaluator的不同实现，介绍了三种评估MAF Agent的方式。在介绍IAgentEvaluator接口的时候，我们提到MAF以此为核心的评估系统。这个系统由IAgentEvaluator、EvalItem和AgentEvaluationResults三个核心类型组成。

JaydenAI
2026-07-29 18:32:59

 352

 6

#AI
将AgentScope的RAG能力集成到Strands Agent的实践

本文探讨了在Strands Agent框架中集成AgentScope的RAG（检索增强生成）能力的方法。RAG技术通过检索知识库相关内容作为上下文，有效解决了大模型在特定领域知识问答中的局限性。文章分析了集成过程中的关键挑战，包括架构差异（AgentScope采用异步设计而Strands为同步）、工具封装、状态管理和错误处理等问题。重点介绍了如何利用AgentScope的Reader、Knowle

zhaojiew10
2026-02-16 00:30:09

 589

 4

#AI
2026年为什么被称为“智能体AI元年“？一文读懂Agent AI三大趋势

2026年被业界称为"智能体AI元年"，AI正从生成式迈向自主行动。本文解析Agent AI的三大核心趋势及其对普通人和企业的影响。

Tfllove
2026-03-28 17:29:01

 334

 5

#AI
Agent Framework基础篇（30篇）

本文介绍了AgentFramework的学习资源与最新动态。随着1.0正式版发布，作者重构了代码仓库(dotnet-agent-playbook)，整理了30篇系列教程（涵盖基础构建、多Agent协作、工具调用等主题），并计划重点讲解Workflows工作流编排能力。所有示例代码已迁移至新仓库，部分历史版本API需注意兼容性。该系列适合各阶段开发者学习，提供从入门到企业级实践的完整指导。

qq_39616811
2026-05-08 14:50:55

 991

 30

#驱动开发 #.net #AI
claw-code 源码分析：Agent 产品化最后一公里——Harness 工程里哪些模块决定「能卖」还是「只能 demo」？

本文分析了claw-code项目中各模块的产品就绪度，区分了"可售卖"与"演示版"的标准。核心模块如ConversationRuntime、API和权限系统已具备商业化基础，而服务器端和部分集成功能仍停留在演示阶段。文章特别指出文档与源码实现存在差异，如hooks功能已实现但文档未更新。最后强调产品化的关键差距在于HTTP接口闭环、持久化和多租户支持，这些是

 cui_yonghua
2026-04-11 12:00:00

 1235

 20

#网络 #AI
【AI】如何设计Agent的记忆系统？

记忆模块是Agent打破LLM设计Agent的记忆系统可以仿照人类的记忆机制。分为。

L1951381654
2026-03-17 17:14:29

 327

 5

#AI
[Agent的评估-03]利用LocalEvaluator自定义逻辑评估MAF Agent

MAF的Agent评估体系以`IAgentEvaluator`为核心，作为该接口的三个原生实现之一，`LocalEvaluator`运行我们在本地定义符合签名的委托来对AIAgent实施评估。原则上我们可利用这种方式实现任意评估逻辑。我们就来看看`LocalEvaluator`背后是如何驱动我们自定义的委托来评估指定的Agent。

JaydenAI
2026-07-30 08:20:23

 270

 7

#AI
第三章：Agent的三大核心支柱—— 感知、决策、行动

彻底搞懂Agent的完整工作闭环,建立Agent的核心认知框架,理解感知、决策、行动三大支柱的协作机制。

LuoQuHen
2026-03-30 22:28:31

 486

 10

#人工智能 #AI
[A2A协议与实现-07]如何将一个MAF Agent发布为A2A服务[HTTP-JSON]

A2A协议本身并未绑定具体的传入协议，上一篇主要介绍如何将MAF的Agent以`JSON-RPC`协议发布为A2A服务，这篇文章我们采用相同的形式介绍基于单纯HTTP+JSON的实现。两者的区别很简单，前者将请求和响应消息包装进成符合J`SON-RPC`协议的**封套**，并使用JSON-RPC Method来标识具体的操作，后者直接以请求和响应消息的JSON文本作为传输的内容，通过为每个

 JaydenAI
2026-07-26 11:23:54

 360

 6

#AI
15分钟后搞懂AI大模型：基本概念、Prompt、RAG、Agent及多模态

随着大模型的迅猛发展，LLM 作为人工智能的核心力量，正以前所未有的方式重塑着我们的生活、学习和工作。无论是智能语音助手、自动驾驶汽车，还是智能决策系统，大模型都是幕后英雄，让这些看似不可思议的事情变为可能。

bugyinyin
2026-02-19 12:06:38

 693

 10

#人工智能 #架构 #AI +1
[Agent的评估-11]为MEAI的评估生成评估报告

本系列之前的文章都提供了在各种场景下执行评估的例子，我们无一例外都是在控制台中呈现评估的结果，实际上MEAI不仅可以将评估结果持久化存储，还能将其转换网页的形式以极具可读性的方式呈现出来。本篇文章就来介绍一下关于评估报告的生成问题。

JaydenAI
2026-08-03 09:11:05

 399

 6

#AI
2026 Agent面试终极攻略：8大核心模块深度解析，大厂面试官都在考！

2026年Agent岗面试深度指南：从基础到多Agent协作本文针对2026年Agent技术岗位面试趋势，系统梳理核心考点与应对策略。面试重点已从框架使用转向底层原理和工程实践，涵盖8大模块：基础认知：明确Agent与Chatbot、Workflow的本质区别，掌握ReAct核心机制单Agent架构：深度解析5大模块（决策/工具/记忆等），强调自研优化能力算法内核：超越GRPO模板，探讨训

 python零基础入门小白
2026-06-01 22:15:41

 411

 5

#面试 #AI #人工智能
[基于OpenEvals的自动化评估-06]评估Agent输出文本的质量[上篇]

对于我们个人来说，Agent编程最大的挑战不是各种所谓的工作，而是写提示词，毕竟我不是专业的文字工作者。OpenEvals针对一系列针对输出文本质量的评估指标定义了对应的提示词，结合基于LLM-as-a-Judge的评估器，我们可以进行针对简洁度、正确性、幻觉度、相关性、计划遵循度、代码正确性等指标的评估。我们会分上下文两篇文章来介绍针对这些预定义提示词的使用。

JaydenAI
2026-08-08 14:54:26

 607

 24

#AI
Nanobot 从onboard启动命令来看个人助理Agent的实现

Nanobot是一款基于Typer、Rich、Questionary等工具的轻量级AI助手CLI工具。其onboard命令用于初始化配置和工作区，支持通过参数或交互式向导设置配置文件路径、工作区目录等。配置处理采用pydantic进行数据验证，向导界面利用Questionary和prompt_toolkit实现交互式操作，支持配置LLM提供商、聊天通道等功能。该命令会根据用户选择决定是否保存配置，

鸿乃江边鸟
2026-04-08 11:19:08

 390

 4

#人工智能 #AI
一篇看懂AI新名词：从MCP到Agent、Skil

AI从“会聊天”到“能干活”的5层架构解析本文用通俗语言拆解AI任务执行的底层逻辑，将复杂技术术语归纳为5个功能层：1）决策层（Agent）负责拆解任务；2）执行层（Tools/CLI）连接外部工具；3）方法论层（Workflow/Skill）固化操作流程；4）知识层（RAG/Memory）管理信息调用；5）安全层（Guardrails）控制操作边界。文章通过"AI助理写公众号"等场景案例，形象

 我算是程序猿
2026-07-16 10:33:10

 226

 6

#人工智能 #AI #RAG
[Loop Engineering在MAF中的实现-06]利用Workflow来使用LoopAgent的循环策略

我们知道Workflow本质上是一个有向有环图，天生适合表达这种条件循环。所以在这篇文章中，我们将试着将LoopAgent中间件的循环策略采用Workflow来实现。为此我们定义了为Workflow定义了两种类型的Executor，`AgentExecutor`用来调用指定的`AIAgent`，`EvaludationExecutor`用来对每次迭代的输出进行评估，并决定循环是否继续。如果决定继续

 JaydenAI
2026-07-18 09:33:14

 333

 8

#AI
[MAF工作流框架揭秘-11]如何将Workflow转换成AIAgent

WorkflowHostAgent将复杂Workflow封装为统一接口的Agent，实现API兼容性、可组合性和会话管理。以转账工作流为例，通过改造输入输出类型（需支持ChatMessage和TurnToken），将其转换为AIAgent。该流程包含交易提取、风险评估、人工审批和执行转账四个模块，利用ChatProtocolExecutor处理自然语言输入，验证后触发不同执行路径（自动处理或人工审

 JaydenAI
2026-06-24 06:29:59

 532

 9

#AI
Pi Agent Loop 源码解析：Context、Streaming、Tool Calling、Steering 与停止条件

本文解析了 Pi Agent Loop 的核心机制，基于 v0.82.1 版本源码。Pi 的 Agent Loop 并非简单的 while 循环，而是需要处理多种复杂场景，包括消息转换、流式响应、工具调用验证、串并行执行、转向控制、后续处理以及终止条件等。文章详细拆解了 Agent Loop 的四层消息边界、状态管理机制、prompt()调用流程，并重点分析了其独特的双层循环设计（工具转向循环+后

 武子康
2026-08-10 10:47:32

 549

 14

#人工智能 #AI
Cursor 转 Codex 大半个月，聊聊我的真实感受

当然，2026年4月份开始，Cursor 的新版本，也做了很大的改版，不断的从 IDE 形态，向 Agent 形态去转变，在社区上引发了广泛的讨论。2026年的2月14日，我公众号发表了一篇文章，完全基于 Cursor，短时间内，全程0代码，从设计到实现，写了个功能完整，视觉效果还不错的小程序，还是在我之前没有微信小程序开发经验的基础上。经过一个个版本的完善，加上模型能力本身不断增强，2025年下

 2601_96655488
2026-08-06 14:13:39

 323

 7

#AI #前端
claw-code 源码分析：Python 快迭代 + Rust 硬化——双轨策略的成本、收益与边界在哪里？

本文分析了claw-code仓库采用Python/Rust双轨策略的利弊。Python轨（src/）作为移植工作区，优势在于快速验证架构、生成可解释报告和量化移植进度；Rust轨（rust/）则专注于构建安全、高性能的产品级实现。双轨策略的最大挑战是防止语义漂移和贡献者注意力分散，需要明确以Rust为产品主线、Python为对照线，并建立最小契约对齐机制。建议Python专注于诊断验证，Rust负

 cui_yonghua
2026-04-08 20:06:11

 1504

 16

#网络 #AI
[Loop Engineering在MAF中的实现-07]在LangGraph中实现类似LoopAgent的循环

在”Loop Engineering在MAF中的实现-06:利用Workflow来使用LoopAgent的循环策略“中，我们采用MAF的工作流实现了LoopAgent类似的循环。既然可以利用MAF的Workflow实现，自然能利用LangGraph来实现。鉴于两者之间设计上的差异，相同的功能如果采用这两种解决方案，使用LangGraph大概率会更加简单。

JaydenAI
2026-07-18 09:36:22

 623

 6

#AI
[Agent的评估-10]利用FoundryEvals基于自定义规则对Agent进行评估

[Agent的评估-09:利用FoundryEvals调用Foundry评估服务]对FoundryEvals如何根据指定的评估器名称调用Foundry评估服务进行了详细的介绍。文中说到：除了预定义的原生评估器（Built-in Evaluator），`FoundryEvals`还支持用户自定义评估器（Rubric Evaluator）。本文将介绍如何利用`FoundryEvals`基于自定义规

 JaydenAI
2026-08-02 12:15:20

 353

 9

#AI