- 博客(7034)
- 收藏
- 关注
RSS订阅
原创 LLM Based Multi-Agent System 基于 AI 大模型的多智能体系统
LLM-based Multi-Agent System 基于 AI 大模型的多智能体系统> 关键词：大语言模型、多智能体系统、人工智能、协作、自主性、分布式智能、任务分解
2024-08-27 01:21:59
2013
1
原创 AI人工智能核心算法原理与代码实例讲解：机器学习流程
在当今数据时代,海量数据的产生和积累为机器学习的发展奠定了基础。传统的基于规则的编程方法越来越无法满足复杂问题的需求,因此我们需要一种新的范式来处理这些数据并从中获取有价值的见解。机器学习作为一种数据驱动的方法,通过从数据中自动捕捉模式,为解决各种现实问题提供了强大的工具。决策树是一种常用的监督学习算法,可以用于回归和分类任务。它通过构建一个树状决策模型,根据特征值对实例进行递归分割,最终将实例划分到不同的叶节点,从而完成预测。
2024-08-20 01:14:53
933
2
原创 多模态大模型：技术原理与实战 多模态大模型的效果评估
近年来，随着深度学习的快速发展，人工智能领域取得了突破性进展。其中，大规模预训练模型的出现，如 GPT-3、BERT 等，极大地推动了自然语言处理（NLP）领域的发展。然而，传统的单模态模型只能处理单一类型的数据，例如文本或图像，无法充分利用现实世界中丰富多样的信息。为了解决这个问题，多模态学习应运而生，旨在通过整合多种模态的信息来提升模型的理解和生成能力。多模态大模型作为多模态学习的最新研究方向，近年来受到了学术界和工业界的广泛关注。
2024-08-12 00:26:06
996
1
原创 Python深度学习实践：分布式训练大型模型的策略
深度学习的起源可以追溯到20世纪40年代，当时神经科学家开始尝试用数学模型模拟人脑神经元的运作方式。然而，由于计算能力的限制和数据量的不足，早期的神经网络模型非常简单，无法解决复杂的实际问题。直到20世纪80年代，随着计算机硬件的快速发展和反向传播算法的提出，深度学习才开始逐渐兴起。2006年，Hinton等人提出了深度置信网络（DBN），并在图像识别任务上取得了突破性进展，标志着深度学习的复兴。分布式训练是训练大型深度学习模型的关键技术，可以显著加速训练过程、扩展模型规模、提高资源利用率。
2024-08-05 00:23:07
597
2
原创 基于用户购物行为的商品推荐算法研究与实现
随着电子商务的蓬勃发展，用户在电商平台上购物的频率越来越高，商品种类也越来越丰富。为了提升用户体验，提高用户粘性和平台盈利能力，电商平台迫切需要一种能够根据用户的购物行为，精准推荐用户感兴趣商品的推荐系统。深度学习: 将深度学习技术应用于商品推荐算法，可以提高推荐效果。强化学习: 将强化学习技术应用于商品推荐算法，可以实现动态调整推荐策略。多模态推荐: 结合多种数据模态，例如文本、图像、视频等，进行商品推荐。
2024-08-05 00:20:01
1040
原创 AI人工智能深度学习算法：在生物信息学中的应用
在过去的十年里，人工智能（AI）和深度学习技术在各个领域都取得了突破性的进展。其中，生物信息学作为一个交叉学科，正在经历一场由AI驱动的革命。生物信息学结合了生物学、计算机科学和统计学，旨在解析和理解海量的生物数据。随着高通量测序技术的发展和生物大数据的积累，传统的数据分析方法已经难以应对日益增长的数据规模和复杂性。在这种背景下，AI特别是深度学习算法，凭借其强大的模式识别和预测能力，正在为生物信息学带来前所未有的机遇和挑战。
2024-07-17 00:08:02
3432
1
原创 优化算法：梯度下降 (Gradient Descent) 原理与代码实例讲解
在机器学习、深度学习以及数据科学等领域中，我们经常会遇到需要优化某个目标函数或者代价函数的情况。这些函数通常是高维、非线性和非凸的,很难直接求解出解析解。因此,我们需要一种迭代算法来逐步逼近最优解。梯度下降(Gradient Descent)算法就是这样一种广泛使用的优化算法。梯度下降算法的核心思想是:沿着目标函数的负梯度方向更新参数,使目标函数值不断减小,最终收敛到局部最小值。初始化参数的值,通常是随机初始化。计算目标函数在当前参数值处的梯度。根据梯度的方向和学习率,更新参数的值。
2024-06-28 00:52:59
1753
2
原创 零样本学习 (ZeroShot Learning)【系列文章】
关键词：零样本学习, 机器学习, 人工智能, 知识迁移, 语义表示随着深度学习技术的快速发展，机器学习模型在许多任务中取得了显著的成功。然而，这些模型通常需要大量的标注数据来进行训练。然而，在实际应用中，获取充足的标注数据往往是困难且昂贵的。特别是在一些长尾分布的任务中，某些类别的数据可能极为稀少甚至不存在，这使得传统的监督学习方法难以奏效。为了解决这一问题，零样本学习（ZeroShot Learning, ZSL）应运而生。零样本学习的目标是在没有见过某些类别训练样本的情况下，仍能对这些类别进行识别和分类
2024-06-28 00:50:24
1363
原创 【AI大数据与人工智能】Spark SQL 原理与代码实例讲解
在大数据时代，数据处理和分析成为了一项关键的任务。Apache Spark 作为一个开源的大数据处理框架,凭借其高效的内存计算能力和通用性,已经成为了大数据领域中最受欢迎的技术之一。Spark SQL 作为 Spark 的一个重要模块,为结构化数据处理提供了强大的功能支持。Spark SQL 不仅支持传统的 SQL 查询,还引入了更高级的分析功能,如数据流处理、机器学习等。它能够高效地处理大规模数据集,并提供了与 Spark 其他模块(如 Spark Streaming、MLlib 等)的无缝集成。
2024-06-06 01:20:20
1689
2
原创 Agent 任务路由：把问题分发给最合适的专家智能体
在多智能体系统（Multi-Agent System, MAS）的世界中，任务路由（Task Routing）是连接问题与解决方案的桥梁。就像一家大型医院的分诊台护士，能够根据患者症状将其引导至最合适的专科医生，一个优秀的任务路由系统能将复杂任务精准地分配给最具专长的智能体，实现资源的最优配置和问题的高效解决。让我们想象一下2030年的一个普通工作日早晨。你是一家科技公司的项目经理，坐在办公桌前，智能助手"艾达"已经启动，准备协助你处理一天的工作。"早上好，李经理。今天您有三个主要项目需要关注，系统检测到1
2026-04-18 02:37:45
65
原创 Harness中的回放模式：记录并重放Agent交互
Harness的回放模式是Harness Continuous Delivery Platform（CDP）中的内置功能，于2023年Q2正式GA，目前已经被超过300家企业客户使用，平均帮助客户降低故障排查时间85%以上，支持所有类型的Pipeline执行任务的记录和重放，包括CI构建、CD部署、自定义脚本、Terraform执行、Helm部署、Serverless部署等。
2026-04-18 01:41:29
45
原创 从单Agent到Multi-Agent：何时应该扩展你的Agent系统规模
首先我们得统一一下核心概念的口径——毕竟现在行业里对“Agent”的定义五花八门，从简单的“带记忆的LLM调用链”到复杂的“具备自主规划、环境交互、工具使用、自我反思能力的智能体”，跨度极大。为了这篇文章的严谨性，我们采用Stanford NLP团队 + OpenAI Assistant API + LangChain官方文档。
2026-04-18 00:39:54
167
原创 Claude 作为 AI Agent Harness Engineering 基座的优势分析
随着AI Agent成为2024年企业数字化转型的核心载体，Agent开发的核心矛盾已经从"能不能做出来"转向"能不能稳定落地"。AI Agent Harness Engineering（Agent缰绳工程）作为解决Agent可控性、可靠性、可观测性的核心工程体系，其能力上限完全由底层大模型基座决定。
2026-04-17 22:57:48
67
原创 AI Agent Harness Engineering 的状态机设计：复杂流程的工程化表达
Harness翻译过来是“束线、安全带、管控层”，AI Agent Harness就是夹在用户请求和Agent的各个能力模块（大模型、工具、记忆、外部系统）之间的调度管控层任务的状态流转上下文的持久化和快照异常处理和重试人工介入的挂起和恢复可观测性数据上报权限管控和流量控制你可以把它理解为Agent的“操作系统”，所有的能力模块都运行在这个操作系统之上，由它统一调度和管控。
2026-04-17 22:01:36
48
原创 ReAct 框架深度解析：推理与行动如何协同工作
2023年ChatGPT横空出世时，所有AI从业者都在惊叹大语言模型（LLM）的通用文本生成与逻辑推理能力——它能解高中数学题、写完整的代码模块、甚至模仿莎士比亚写情诗。但当你尝试让它回答「2024年巴黎奥运会男子100米自由泳冠军是谁？」或者「帮我订一张明天下午从上海虹桥到杭州东站最便宜的高铁二等座并实时通知改签政策」时，它要么会编造不存在的事实（幻觉Hallucination），要么会直接说「我无法获取实时数据」「我无法执行外部操作」。这背后的核心矛盾是什么？
2026-04-17 21:05:23
138
原创 用持久化内存实现 Harness 的超低延迟状态存储
本文深入探讨如何利用持久化内存(PMEM)技术实现Harness的超低延迟状态存储。我们首先从第一性原理分析持久化内存和状态存储的基本概念，然后构建理论框架，讨论架构设计、实现机制，并通过实际案例展示如何将这些技术集成到Harness平台中。文章包含详细的数学模型、算法分析、代码实现和性能评估，旨在为开发者和架构师提供全面的技术指南，帮助他们构建高性能、高可靠性的分布式系统状态存储解决方案。
2026-04-17 20:16:42
128
原创 Harness 中的思考时间注入：模拟人类响应
好消息是，Harness作为全栈式DevOps平台，已经在其负载测试（Load Testing）、端到端测试（E2E Testing）以及混沌工程（Chaos Engineering）等核心模块中，内置了强大的“思考时间注入（Think Time Injection）”功能——或者是提供了灵活的API/插件机制，让你可以轻松地模拟真实人类用户的响应行为。在传统的性能测试理论中，思考时间（Think Time）是指用户在两个连续操作之间的停顿时间。
2026-04-17 19:28:09
170
原创 熵管理：Harness Engineering保障Agent长期可靠性
基于上述第一性原理契合，我们可以将Agent系统的长期可靠性问题形式化定义为熵管理问题：给定一个受控开放的Agent系统AA，其初始状态为S0S_0S0（低熵有序状态），外部环境为EE，Harness管控框架为HH，要求HH能够实时监测AA的熵值StS(t)St，并在StS(t)St超过预设阈值SmaxS_{max}Smax时，通过信息/能量干预将AA的熵值降低到可接受范围SminStargetSminS。
2026-04-17 02:35:19
152
原创 LangGraph 与 LlamaIndex Multi-Agent 对比：可观测性+容错性实测
在软件工程中，可观测性是指通过系统的外部输出来推断其内部状态的能力。这个概念起源于控制理论，由匈牙利裔美国工程师鲁道夫·卡尔曼(Rudolf Kalman)在20世纪60年代提出。智能体的决策过程往往是"黑盒"，难以直接理解智能体之间的交互模式复杂，难以预测系统故障的根源可能隐藏在多层交互之下性能瓶颈可能分布在多个组件中容错性是系统在组件故障时仍能继续正常运行的能力。在复杂系统中，故障是不可避免的——网络可能中断，API可能返回错误，LLM可能产生幻觉，代码可能有bug。
2026-04-17 01:44:18
219
原创 SaaS还是API？AI Agent商业化模式深度分析
AI Agent是一种能够感知环境、做出决策并执行行动的智能系统，它具有自主性、反应性、主动性和社交能力等特征。感知模块：负责收集和处理环境信息推理/决策引擎：基于感知信息进行推理和决策执行模块：将决策转化为具体行动学习模块：通过经验不断优化自身性能# 简单的AI Agent类示例"""感知环境""""""推理和决策"""# 这里简化为基于规则的决策else:"""执行行动""""""从经验中学习"""# 简化的学习逻辑# 分析记忆，更新策略pass。
2026-04-17 00:47:54
333
原创 Multi-Agent 系统的调用链路：从入口到执行的完整追踪方案
随着人工智能技术的快速发展，Multi-Agent 系统作为一种新兴的架构范式，正在各个领域展现出强大的应用潜力。本文从第一性原理出发，系统地探讨了 Multi-Agent 系统调用链路的完整追踪方案。我们首先建立了 Multi-Agent 系统的概念基础，追溯其发展历史，明确定义问题空间；接着构建了理论框架，引入数学模型描述智能体间的交互；然后详细设计了调用链路追踪的架构，实现机制，并通过实际应用案例展示其价值；最后探讨了高级考量因素和未来发展趋势。
2026-04-16 23:46:31
113
原创 多智能体协作系统的设计与实现
多智能体协作系统（Multi-Agent Collaborative Systems）作为人工智能领域的前沿研究方向，正在改变我们解决复杂问题的方式。从自动驾驶车队到智能物流调度，从游戏AI到分布式传感器网络，多智能体系统的应用场景日益广泛。本文将深入探讨多智能体协作系统的核心概念、设计原则、实现技术以及实际应用。我们将使用生动的比喻（如"交响乐团"、“蚁群”）来解释复杂概念，提供详细的算法流程和Python代码实现，并通过真实案例展示如何构建一个高效的多智能体协作系统。
2026-04-16 22:50:18
64
原创 AI Agent Harness Engineering 是否会取代传统 App：未来软件形态预测
本文深入探讨了AI Agent Harness Engineering这一新兴技术范式，分析其是否可能取代传统应用程序。我们从第一性原理出发，系统性地解构了这两种软件形态的核心概念、架构设计、实现机制和应用场景。通过数学建模、算法分析和实际案例研究，我们揭示了AI Agent系统的优势与局限性，并与传统应用进行了多维度对比。文章最后提出了一个融合两者优势的未来软件演化路径，为开发者和企业决策者提供了战略指导。自主性维度: 从完全用户控制到完全自主执行适应性维度: 从固定行为模式到高度动态适应协作维度。
2026-04-16 21:48:53
121
原创 面向视觉 Agent 的 Harness 图像预处理管道
随着多模态大模型和具身智能技术的爆发，视觉Agent已经成为自动驾驶、工业质检、家庭服务机器人、智慧安防等领域的核心载体，但落地过程中普遍面临「感知鲁棒性差」的痛点：相同的Agent在实验室测试集上准确率可达98%，到了真实场景面对光照变化、运动模糊、遮挡、反光、雾霭等干扰时，准确率往往骤降到60%以下，甚至引发安全事故。
2026-04-16 20:52:37
268
原创 数据隐私保护：Harness 中的敏感信息过滤
本文将以这三大核心模块为载体，从底层原理、规则引擎设计、全链路实现机制、实战配置、合规落地、行业最佳实践、未来趋势七个维度，深度拆解 Harness 是如何实现“从代码提交到生产部署的全链路敏感信息无缝过滤与脱敏”的。我们不仅会讲“怎么做”（手把手配置规则、流水线插件、环境设置），更会讲“为什么这么做”（对比正则表达式、HashiCorp Sentinel、OPA Gatekeeper 等同类工具的优劣，讲解 Harness 规则引擎的多语言词法分析、上下文感知检测、增量扫描优化等核心技术）。
2026-04-16 19:51:14
294
原创 一文读懂：Tool Use的进化史，从插件到自主决策
在计算机科学的发展历程中，我们一直试图让机器变得更“聪明”。从早期的专家系统，到后来的机器学习，再到今天的大语言模型（LLMs），AI的能力在不断提升。但在很长一段时间里，AI系统都存在一个共同的局限：它们的能力被严格限定在训练数据和模型结构之内。大语言模型的出现带来了革命性的变化，它们通过学习海量文本数据，获得了惊人的语言理解和生成能力。然而，LLMs本质上仍然是“统计模型”，它们没有真实的感知能力，没有执行器，也无法直接访问外部世界的实时信息。知识截止日期问题。
2026-04-16 02:47:46
287
原创 情感计算 Agent：识别、理解与生成恰当的情感反应
情感识别：如何从多种模态（面部表情、语音、文本、生理信号等）中准确识别用户的情感状态？情感理解：如何理解情感产生的背景、原因和社会文化含义，而不仅仅是识别情感类别？情感生成：如何根据上下文和交互目标，生成自然、恰当且有效的情感反应？这三个维度构成了情感计算 Agent 的完整闭环，缺少任何一个环节都会导致系统的不完整和不自然。
2026-04-16 01:51:55
311
原创 Multi-Agent 创业融资指南：种子轮到 A 轮的核心融资逻辑与投资人关注点
2023年硅谷某孵化器，一家名为「AgentFlow Health」的初创公司刚刚完成基于Multi-Agent的慢性病管理MVP测试，用户留存率冲到了同赛道第3的38.7%，创始人兼CTO李明（化名）带着15页PPT冲去见红杉美国种子基金的资深合伙人Sarah。那是李明人生中最焦虑的45分钟：Sarah连续追问了三个他完全没准备的问题——结果可想而知：红杉要求「三个月后带着上述所有问题的答案再来」。
2026-04-16 01:00:52
289
原创 别再错过：Agent时代的下一个万亿市场
在深入探讨技术细节之前，让我们先明确几个核心概念。"Agent"这个词在不同的领域有不同的含义，在计算机科学和人工智能领域，我们需要给出一个精确的定义。Agent是一个能够感知环境、做出决策并采取行动以实现特定目标的自主实体。自主性（Autonomy）：Agent能够在没有人类直接干预的情况下运行，对自己的行为和内部状态有一定的控制权。感知能力（Perception）：Agent能够通过某种方式感知环境，这可能包括接收用户输入、读取文件、访问API、分析传感器数据等。
2026-04-16 00:04:33
227
原创 Harness Engineering：智能体资源隔离方案
在深入探讨智能体资源隔离方案之前，让我们首先明确几个核心概念，这将为我们后续的讨论奠定坚实的基础。智能体是指能够感知环境、做出决策并执行动作的计算实体。在人工智能和机器学习领域，智能体通常具有以下特征：智能体的应用范围非常广泛，从简单的自动化脚本到复杂的多智能体系统，再到当今热门的大型语言模型（LLM）驱动的智能助手，都可以视为智能体的不同表现形式。资源隔离是指通过技术手段将系统资源（如CPU、内存、存储、网络带宽等）进行划分，确保不同的应用程序或进程能够独立使用各自分配到的资源，而不会相互干扰。资源隔离的
2026-04-15 23:13:25
124
原创 Multi-Modal Agent：视觉与语言融合的智能体
本文将带你深入探索Multi-Modal Agent（多模态智能体）的奥秘。我们将从核心概念讲起，一步步拆解视觉与语言融合的技术原理，然后通过实战项目，手把手教你如何构建一个简单但功能完整的多模态智能体系统。多模态智能体的基础理论和架构设计视觉特征提取与语言模型的融合机制主流的多模态大模型（如GPT-4V、CLIP、Flamingo等）的工作原理完整的代码实现和项目实战实际应用场景和未来发展趋势。
2026-04-15 22:17:07
121
原创 基于LangGraph的Multi-Agent系统：角色分工与协作编排
随着大模型技术的成熟，单智能体（Single Agent）已经无法适配复杂业务场景的需求，多智能体（Multi-Agent）协作正在成为大模型落地的核心形态。但当前Multi-Agent开发普遍面临角色边界模糊、通信机制混乱、流程不可控、调试难度大等痛点，而LangChain生态推出的LangGraph框架，通过基于有限状态机的编排范式，完美解决了多智能体的协作管控问题。
2026-04-15 21:20:50
310
原创 从单体到分布式：AI Agent系统架构演进
总结14.1 核心要点回顾14.2 分布式Agent架构的价值重申14.3 最终印象参考资料15.1 论文15.2 官方文档15.3 开源项目15.4 其他博客文章附录16.1 完整的GitHub仓库地址16.2 完整的Docker Compose配置文件16.3 完整的requirements.txt/package.json文件16.4 完整的OpenAPI 3.0接口文档16.5 完整的测试用例。
2026-04-15 20:19:26
302
原创 AI Agent Harness Engineering 性能优化技巧：缓存策略与计算复用
想象一下这个场景：你正在使用一个先进的AI客服系统处理客户查询。第一个客户问："你们的退款政策是什么？"AI Agent思考了3秒钟，给出了详细回答。第二个客户问了同样的问题，AI Agent又思考了3秒钟，给出了几乎相同的回答。第三个、第四个……每个客户都要等3秒，尽管答案基本一样。
2026-04-15 19:23:12
305
原创 AI Agent对就业市场的影响与职业重塑
在过去十年里，AI（人工智能）的发展经历了从“感知智能”（图像识别、语音合成）到“认知智能雏形”（大语言模型LLM、多模态模型MMM）的飞跃。
2026-04-15 02:20:07
347
原创 为什么 Agent 的“思考链”比模型参数更重要
在人工智能领域，Agent（智能体）是指能够感知环境、做出决策并采取行动的自主实体。感知（Perception）：Agent 从环境中获取信息推理（Reasoning）：Agent 处理信息并决定下一步行动行动（Action）：Agent 执行决策，改变环境状态反馈（Feedback）：Agent 观察行动结果，调整未来策略从这个定义可以看出，Agent 不仅仅是一个大型语言模型，它是一个集成了感知、推理、行动和学习的完整系统。而推理环节，正是思考链发挥作用的地方。
2026-04-15 01:18:47
234
原创 构建可扩展的 AI Agent Harness 架构
规模维度：从几个代理到数百万代理的管理异质性维度：处理不同类型、不同能力的代理动态性维度：应对代理生命周期变化和环境波动协作维度：支持代理间的各种协作模式可靠性维度：确保系统在部分故障时仍能正常运行安全性维度：保护系统免受恶意代理和攻击的影响为了更精确地描述这个问题空间，我们可以引入一个数学框架。代理集合Aa1a2anAa1a2...an环境集合Ee1e2emEe1e2...em资源集合Rr1r2r。
2026-04-15 00:17:22
343
原创 构建企业级AI Agent：架构设计、安全性与可扩展性
AI Agent（人工智能代理）是一种能够感知环境、做出决策并执行行动以实现特定目标的自主系统。它结合了感知、推理、决策和行动能力，能够在没有持续人工干预的情况下完成复杂任务。Autonomy（自主性）：能够在没有持续人工指导的情况下运作Adaptability（适应性）：能够根据环境变化调整策略Anticipation（预见性）：能够预测未来状态并提前采取行动Accountability（可问责性）：其决策和行动是可解释和可追溯的。
2026-04-14 23:15:59
132
原创 从 0 到 1 搭建生产级多智能体系统：架构设计、代码实现与性能优化
让我们用一个生活化的例子来理解智能体的概念。自治性：他不需要厨师或经理的一步步指令，就能够自主地完成工作。反应性：当顾客招手时，他会立即走过去；当有菜做好时，他会及时端给顾客。主动性：他会主动询问顾客是否需要加菜或饮品；当看到顾客的水杯空了，他会主动添水。社交能力：他会与顾客交流，了解他们的需求；他会与厨师沟通，告知订单信息；他会与其他服务员协作，共同维持餐厅的运营。在这个例子中，服务员的"感知"是通过眼睛看、耳朵听实现的；他的"行动"是走路、说话、端盘子等；
2026-04-14 22:19:43
116
原创 深度解析AI Agent的反馈闭环：从用户反馈到模型迭代的持续优化机制
要聊反馈闭环，得先明确今天讨论的主体边界：不是单轮对话的大语言模型（LLM）API，也不是简单的规则驱动机器人，而是具备感知、记忆、推理、行动四大核心能力的自主执行系统——LLM是它的“大脑”，记忆库（向量DB+结构化DB）是它的“海马体与知识库”，工具链（Web搜索、代码执行、API调用、文件读写）是它的“四肢与五官”，而反馈闭环则是它的“神经调节系统”和“进化引擎”。在深入讲解反馈闭环之前，我们必须先明确一些容易混淆的核心术语，这些术语将贯穿全文。现在我们可以给出AI Agent反馈闭环的严谨定义。
2026-04-14 21:28:35
303
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人