- 博客(2922)
- 收藏
- 关注
RSS订阅原创 AI Agent在电商场景中的应用实战
AI Agent，即智能代理，是一种能够感知环境、做出决策并执行行动的自主实体。在人工智能领域，Agent是一个核心概念，它代表了一种能够主动与环境交互的系统。感知周围环境（通过传感器、API等）理解当前状态根据预设目标和策略做出决策执行相应的行动从经验中学习和优化在电商场景中，AI Agent可以扮演多种角色，如客服助手、个性化推荐专家、库存管理优化师等。
2026-06-23 23:41:20
120
原创 Tool Use范式：扩展AI Agent能力边界
在Tool Use范式出现之前，GPT-3、BERT等初代LLM（包括初代ChatGPT）只能算是**“静态知识问答与文本生成的专家”**，但在实际的生产生活中，90%以上的复杂任务都需要突破以下三个能力边界：第一个边界是实时/专属信息访问。
2026-06-23 22:39:54
125
原创 AI Agent Harness API设计：标准化接入规范
你有没有过这样的经历：公司业务需要接入AI能力，先对接了OpenAI的GPTs做文案生成，过了两个月要加文心一言的Agent做内容审核，又过了三个月要接入开源的AutoGPT做数据调研，每对接一个Agent都要重新写一套鉴权、参数解析、错误处理、监控埋点的代码，每个Agent的接口文档写得五花八门，出了问题要翻好几个文档排查，好不容易对接完了，要做多Agent协同的时候，发现各个Agent的会话管理、异步回调逻辑完全不兼容，加班半个月都跑不通一个流程？
2026-06-23 21:48:51
78
原创 Harness Engineering：智能体资源使用率监控
核心问题：如何设计和实施一个高效、可扩展的监控系统，能够实时、准确地跟踪智能体的资源使用情况，预测潜在的资源瓶颈，并提供优化建议或自动调整资源分配？子问题包括哪些资源指标对智能体性能最为关键？如何以最小的开销收集资源使用数据？如何处理和分析大量监控数据以提取有用信息？如何预测智能体未来的资源需求？如何基于监控数据自动优化资源分配？如何在资源受限环境中确保智能体的核心功能？
2026-06-23 20:57:36
167
原创 RAG + Agent：何时需要检索增强，何时不需要
本文深入探讨检索增强生成(RAG)与智能体(Agent)的结合范式，系统分析何时需要引入检索增强，何时纯模型能力已足够。我们从第一性原理出发，解构RAG与Agent的核心机制，建立多维度决策框架，帮助开发者根据具体场景选择最优架构。文章不仅提供理论分析，还包含实用算法、代码实现和真实案例，为构建下一代智能应用提供全面指导。核心问题：在构建基于LLM的Agent系统时，如何判断是否需要集成RAG组件？子问题RAG解决了哪些根本问题？这些问题在Agent场景下如何表现？
2026-06-23 20:01:24
205
原创 生产环境监控：基于 Prometheus 和 Grafana 的 Agent 性能观测体系
标题与摘要/引言：介绍文章的背景、核心问题、核心价值与结构；核心概念与理论基础：讲解可观测性的三大支柱（Metrics、Logs、Traces）、Prometheus的架构与核心组件、PromQL的语法基础、Grafana的核心功能；主流Agent/Exporter对比与选择：从主机级、容器级、Kubernetes资源级、进程级、JVM级、自定义业务指标级等维度，对比主流Agent/Exporter的优劣势，给出选择建议；从零到一部署与配置观测体系。
2026-06-23 19:06:12
173
原创 多智能体系统中的“幻觉传播”及其阻断机制
为了更好地理解和解决幻觉传播问题，我们需要明确问题空间的几个关键维度：智能体内部幻觉：单个智能体自身产生的幻觉外部输入幻觉：来自系统外部的错误信息直接传播：幻觉直接从一个智能体传递到另一个智能体间接传播：幻觉通过中间智能体传递放大传播：幻觉在传播过程中被进一步扭曲或放大局部影响：仅影响系统的一小部分智能体全局影响：影响整个系统的性能和输出瞬时传播：幻觉快速传播延迟传播：幻觉在系统中潜伏一段时间后才传播。
2026-06-23 02:12:22
207
原创 自我进化的 Agent Harness：元学习应用
解决AI Agent开发的3大痛点：从零训练成本高、Few-Shot Prompt效果不稳定、Agent上线后无法终身学习；用生动类比+专业公式+可运行代码，让读者彻底理解「自我进化的Agent Harness」的架构、原理、元学习核心算法；给出完整的落地案例：从环境搭建到核心代码实现，再到性能测试，读者可以直接复制修改使用；展望未来趋势和挑战，启发读者思考更多元学习+Agent Harness的应用场景。背景介绍。
2026-06-23 01:10:59
234
原创 深度解析Multi-Agent的协作模式：从人机协作到完全自主的演进路径
要理解Multi-Agent协作的必要性，我们得先看看单Agent（比如GPT-4o、Claude 3.5 Sonnet）到底能做什么、不能做什么。目前的单Agent，本质上是基于大规模预训练语言模型（Large Language Models, LLMs）的“知识蒸馏+上下文推理+生成式响应”机器海量泛化知识的整合能力：能快速回答从量子力学到古典文学、从Python编程到职场沟通的几乎所有“公开且有标准答案或成熟逻辑”的问题；
2026-06-23 00:14:43
245
原创 声明式Harness配置：YAML定义Agent运行时
在现代DevOps和持续交付(CD)实践中，自动化部署管道已成为软件交付的生命线。然而，随着微服务架构的普及和基础设施复杂性的增加，管理和配置这些自动化系统本身也变得越来越具有挑战性。Harness作为领先的软件交付平台，提供了强大的自动化能力，而其Agent架构则是连接Harness平台与目标基础设施的桥梁。传统上，配置Harness Agent通常涉及手动操作或脚本化的命令式配置，这种方式存在着配置漂移、难以追踪变更、环境一致性难以保证等问题。
2026-06-22 23:13:30
61
原创 LangGraph 实战：如何用状态图实现复杂的条件分支与异常处理逻辑
想象一下，你正在构建一个企业级的AI客服Agent首先得判断用户是来“查订单状态”“退款退货”“投诉”还是“闲聊”——这是第一层粗粒度的条件分支；查订单状态又得细分为“需要登录验证”“不需要验证（手机号快捷查）”“查多个订单汇总”“查单个订单物流轨迹”——第二层细粒度的嵌套条件；登录验证如果失败（短信验证码超时、输入错误）怎么办？——分支内的单点异常；查单个订单物流轨迹时，第三方物流API连续3次返回502怎么办？——跨分支的外部依赖异常；
2026-06-22 22:19:36
61
原创 保险理赔 Agent：自动化定损 Harness
在保险行业中，理赔定损是一个既关键又耗时的环节。传统的人工定损方式不仅效率低下，而且容易受到主观因素影响，导致定损结果不一致。本文将深入探讨如何构建一个高效、准确的保险理赔 Agent，特别是聚焦于自动化定损 Harness 框架的设计与实现。我们将从问题背景出发，逐步解析核心概念，详细介绍技术原理，展示实际应用案例，并展望未来发展趋势。通过本文，读者将全面了解自动化定损系统的构建方法、关键技术挑战以及行业最佳实践。保险，这个古老而又现代的行业，一直在社会经济发展中扮演着风险守护者的角色。
2026-06-22 21:31:05
184
原创 Harness配置化设计：降低智能体迭代成本
很多同学可能对Harness这个平台还不太熟悉——没关系，Harness本质上是一套**“全链路DevOps+全栈AI工程化”**的SaaS/PaaS平台，它的AI Agent Hub（我们后续会简称为HAH）是本文的核心研究对象。本文不是一篇Harness的官方文档翻译，也不是一篇简单的“如何用HAH创建第一个智能体”的入门教程，而是我基于半年多的HAH深度使用经验、以及一次完整的从0到1再到重构的AI Agent项目经历，从技术底层逻辑到工程化落地实践，再到行业发展趋势。
2026-06-22 20:34:47
245
原创 重新定义智能：AI Agent如何模拟人类行为逻辑
AI Agent（智能体）是人工智能领域的一个核心概念，指的是能够感知环境、做出决策并采取行动的实体。这个概念最早可以追溯到20世纪80年代的分布式人工智能研究，但直到近年来，随着大语言模型的兴起，AI Agent才真正迎来了它的黄金时代。AI Agent：一个位于某个环境中，能够自主感知环境状态，通过内部决策过程选择并执行行动，以实现特定目标的计算系统。环境：Agent存在和行动的外部世界感知：Agent获取环境信息的能力决策：Agent基于感知信息选择行动的内部过程行动。
2026-06-22 19:33:25
171
原创 实战：构建培训问答 Agent，如何评估答得对且不越界
准确性：信息内容本身是正确的完整性：回答涵盖了问题的所有重要方面相关性：回答与问题紧密相关，不答非所问清晰度：表达清晰，易于理解教育性：有助于学习者理解和掌握知识内容边界：不提供超出培训内容范围的信息安全边界：不泄露敏感信息，不提供有害内容角色边界：保持作为培训助手的角色，不超越职责范围价值观边界：遵循正确的价值观和道德标准法律合规边界：遵守相关法律法规要求。
2026-06-22 02:40:44
282
原创 从 0 到 1 构建供应链 AI Agent Harness Engineering：需求预测、库存优化与物流调度实战
在当今全球化和数字化的商业环境中，供应链管理已成为企业竞争力的核心要素。根据麦肯锡的研究报告，高效的供应链管理可以将运营成本降低高达30%，同时将订单履行率提高到95%以上。然而，随着市场波动性增加、消费者期望提升以及全球供应链网络的复杂化，传统的供应链管理方法正面临前所未有的挑战。进入人工智能时代，AI Agent（智能代理）技术为供应链管理带来了革命性的变革。AI Agent能够自主感知环境、做出决策并执行行动，特别适合处理供应链中动态、复杂且不确定的问题。
2026-06-22 01:44:28
221
原创 AI Agent Harness Engineering 决策透明度设计：让企业管理者看懂智能体的决策逻辑
AI Agent决策透明度是指智能体系统能够以人类可理解的方式，解释其决策过程、推理逻辑和行动依据的能力。这不仅仅是输出一个决策结果，更是要展示"为什么"以及"如何"得出这个结果的完整路径。让我们通过一个具体的企业贷款审批AI Agent项目，来展示如何实现决策透明度设计。这个项目的目标是构建一个不仅能做出贷款审批决策，还能向银行管理者清晰解释决策过程的AI系统。
2026-06-22 00:48:14
142
原创 Multi-Agent创业策略：创新：从工具助手到智能伙伴的质变
本文将分为三个核心部分理论篇：拆解Agent与Multi-Agent的本质，讲解协作博弈论与MARL的基础，回顾Multi-Agent的发展历史，对比单Agent工具链与Multi-Agent协作网络的核心差异；实战篇：用LangChain+AutoGen+Streamlit+ChromaDB打造一个**“协作办公伙伴”Multi-Agent原型**——这个原型包含CEO助理、产品经理助理、研发工程师助理、UI设计师助理、测试工程师助理五个角色，它们可以协作完成“从需求调研到产品上线”的完整流程；
2026-06-21 23:51:56
172
原创 Agent 与 MCP：标准化工具接口如何加速生态繁荣
在人工智能快速发展的今天，AI Agent（智能体）正逐渐成为下一代应用的核心。然而，不同Agent系统间的工具接口碎片化严重，阻碍了整个生态的协同发展。本文将深入探讨Agent的核心概念、MCP（Model Context Protocol）如何通过标准化工具接口解决这一问题，以及这种标准化如何加速AI生态的繁荣。我们将从技术原理、实现方法、实际应用案例到未来趋势进行全面分析，帮助读者理解这一正在重塑AI应用格局的重要变革。在过去的几年中，我们见证了大型语言模型（LLMs）的突破性发展。
2026-06-21 22:50:34
206
原创 AI Agent趋势洞察：生成式AI之后，智能体将重构产业生态
本文深入探讨AI Agent（智能体）作为生成式AI之后的下一技术浪潮，将如何重塑产业生态。我们将从基础概念入手，通过生动类比和技术剖析，逐步揭示AI Agent的工作原理、架构设计、实现方法以及实际应用。文章包含完整的技术实现示例、数学模型、算法流程和系统架构设计，同时展望AI Agent技术的未来发展趋势及其对各行业的深远影响。无论您是AI初学者还是资深从业者，本文都将为您提供全面而深入的AI Agent技术洞察。在本节中，我们将介绍AI Agent的基本概念及其在AI技术演进中的位置。
2026-06-21 21:49:12
298
原创 AI Agent Harness Engineering 测试体系搭建：Agent功能、性能与安全的全维度测试
AI Agent Harness Engineering（以下简称「Agent Harness」），是一套专门为大模型驱动的自主AI Agent设计的全生命周期测试框架与工程方法体系。它的核心目标是：在将Agent部署到生产环境之前，通过标准化、自动化、可扩展的测试沙箱与工具链，系统性地验证Agent的各项指标，避免Agent在真实场景下出现「幻觉频发、响应超时、权限越界、鲁棒性差」等致命问题。
2026-06-21 20:53:18
247
原创 Graph RAG 与 Agent 融合：知识图谱增强的智能推理
知识表示与整合问题：如何有效整合结构化知识图谱与非结构化文本数据，形成统一的知识表示空间？检索优化问题：如何设计高效的混合检索机制，同时利用知识图谱的结构化查询能力和文本的语义相似度检索？推理增强问题：如何利用知识图谱的结构化特性增强LLMs的逻辑推理和复杂问题解决能力？代理决策问题：如何设计智能代理的决策机制，使其能够在复杂任务中合理利用Graph RAG能力？系统架构问题：如何构建可扩展、高效的系统架构，支持Graph RAG-Agent的各种应用场景？评估与优化问题。
2026-06-21 19:54:50
267
原创 自治 Agent 在金融领域的风控问题
随着金融市场的不断发展和复杂化，传统的风控手段面临着前所未有的挑战。自治 Agent 技术的兴起为金融风控带来了新的思路和解决方案。本文将深入探讨自治 Agent 在金融风控领域的应用，从基本概念到实际实现，全面解析这一技术如何改变金融风险管理的格局。我们将通过生动的比喻、详细的算法解析、实用的代码示例和真实的场景案例，帮助读者理解自治 Agent 在风控中的工作原理和实践价值。无论是金融从业者、技术开发者还是对 AI 金融应用感兴趣的读者，都能从本文中获得有价值的见解。
2026-06-18 02:26:13
182
原创 从AutoGPT到MetaGPT：Multi-Agent架构演进史
你有没有过这样的经历：花了一下午调Prompt，让GPT-4帮你写一个带支付功能的电商小程序，结果它输出的代码前后端接口不匹配、登录逻辑有漏洞、甚至连依赖版本都写错了，你改bug的时间比自己写还长？你有没有试过用AutoGPT跑一个市场调研报告的任务，结果它反复搜索同一个关键词，跑了2小时花了十几美元，最后输出的内容还不如你自己搜10分钟整理的全？这些问题的核心症结，其实不是大模型能力不够，而是单Agent（智能体）的能力边界天然存在天花板。
2026-06-18 01:29:59
188
5
原创 GPT-4 Turbo赋能：打造超长上下文Agent
就在去年（2023年）11月，OpenAI发布了GPT-4 Turbo，这一更新彻底打破了上下文窗口的限制——GPT-4 Turbo支持128k token的上下文窗口！这意味着什么？按照英文文本平均1 token=0.75个单词，中文文本平均1 token=1.5个汉字来计算，128k token大约可以容纳9.6万个英文单词或者19.2万个汉字——这差不多是一本中篇小说的篇幅了！但光有大的上下文窗口就够了吗？答案是否定的。虽然GPT-4 Turbo的原生128k窗口已经很强大，但对于处理。
2026-06-18 00:33:41
181
原创 基于 FSM 的 Harness 状态机驱动逻辑
Harness 是一个现代化的软件交付平台，它提供了从代码到部署的完整端到端解决方案。持续集成（CI）：自动化构建、测试和代码质量检查。持续部署（CD）：自动化部署到各种环境，支持金丝雀发布、蓝绿部署等策略。基础设施即代码（IaC）：管理云基础设施的生命周期。混沌工程：主动发现系统弱点，提高系统韧性。安全性与合规性：集成安全扫描和合规检查。Harness 的设计理念是将复杂的软件交付过程简化为可管理、可观察的工作流，而状态机正是实现这一目标的核心技术之一。MQΣδq0FMQΣ。
2026-06-17 23:32:18
100
原创 LlamaIndex 的索引结构深度解析
RAG系统的全称是不要把所有文档都扔给LLM，而是先通过一个“检索器（Retriever）”从海量文档集中快速、精准地找到与用户查询相关的“少量内容片段”，然后只把这些“少量内容片段”（而不是整个文档集）和用户查询一起发送给LLM，让LLM根据这些“相关内容片段”和用户查询生成准确、可靠的回答。一个完整的RAG系统通常包含以下几个核心模块数据采集与预处理模块：负责从各种数据源（如本地文件系统、云存储、数据库、网页、API等）中采集数据，并对数据进行清洗、转换、分块等预处理操作。索引构建与管理模块。
2026-06-17 22:30:56
74
原创 垂直领域Agent的快速构建：利用领域特定语言（DSL）与知识注入
为了更具体地展示如何利用DSL和知识注入构建垂直领域Agent，我们将以医疗领域为例，构建一个"糖尿病管理助手"。这个Agent将帮助糖尿病患者管理他们的病情，提供个性化的建议，并回答与糖尿病相关的问题。提供准确的糖尿病相关知识和建议帮助患者记录和分析血糖数据根据患者情况提供个性化的饮食和运动建议提醒患者按时服药和检查识别危险信号并建议及时就医。
2026-06-17 21:34:40
180
原创 AI Agent Harness实时风控规则配置
AI Agent：简单来说，AI Agent是一种能够感知环境、做出决策并采取行动的智能体。它结合了大语言模型(LLM)的理解能力、规划能力和工具使用能力，能够自主完成复杂任务。Harness：在技术语境中，Harness通常指的是一个框架或平台，用于管理、协调和监控各种组件的运行。AI Agent Harness就是专门为AI Agent设计的这样一个平台。实时风控：指的是在业务事件发生的瞬间，对其进行风险评估和决策的过程。这要求系统必须具备极低的延迟（通常在毫秒级别）和极高的准确性。规则更新滞后。
2026-06-17 20:38:25
225
原创 AI Agent Harness Engineering 成本与收益的真相：企业投入产出比全景分析与 ROI 计算方法论
在正式进入本章的核心内容之前，我们先对“AI Agent”这个核心概念进行一个明确的、无歧义的定义——这是避免后续概念混淆的第一步。目前，学术界与工业界对“AI Agent”的定义有很多种，但我们认为最全面、最符合企业落地实践的定义是由斯坦福大学HAI（Human-Centered AI）研究所AI Agent（智能体）是一种能够感知环境（Perceive）、做出决策（Reason）、采取行动（Act）、并根据反馈进行学习优化（Learn & Adapt）的自主或半自主AI系统。
2026-06-17 19:37:02
229
原创 为什么 Agent 需要规划器：任务分解与执行的分离设计
你有没有遇到过这种情况：花了半天时间搭了一个能调用工具的AI Agent，跑简单的查询任务还挺顺，一碰到复杂任务就“智障”：比如让它做一份新能源汽车市场分析报告，它要么搜完销量就直接输出结果忘了做竞品分析，要么调用工具的时候反复查重复的信息，要么中间某步出错了直接崩盘从头开始，调试的时候翻几百行的上下文日志都找不到问题出在哪。规划器（Planner）。
2026-06-17 02:39:23
132
原创 AI Agent Harness Engineering 的“注意力”机制：如何管理与分配有限的计算资源
在当今人工智能技术快速发展的时代，AI Agent（智能代理）正在成为构建复杂智能系统的核心组件。从简单的聊天机器人到复杂的自主决策系统，AI Agent正在各个领域发挥着越来越重要的作用。然而，随着Agent数量的增加和任务复杂度的提升，一个关键挑战逐渐浮现：如何有效地管理和分配有限的计算资源，使得多个Agent能够高效协作，同时避免资源竞争和浪费？本文将深入探讨AI Agent系统中的"注意力"机制——这一灵感来源于人类认知过程的资源管理策略。
2026-06-17 01:50:35
222
原创 LangGraph高级特性实战：循环执行、并行处理与动态条件分支
LangGraph是LangChain团队于2024年初推出的基于图结构的Agent工作流编排框架，它的核心理念是将Agent的工作流抽象为有向图（Directed Acyclic Graph, DAG，或允许循环的有向图Cyclical Directed Graph）节点（Node）：代表工作流中的一个执行单元，可以是LLM调用、工具调用、数据处理、人工交互等任何可执行的逻辑。边（Edge）
2026-06-17 01:02:06
232
原创 实战：用 Multi-Agent 做“竞争情报”监测与周报自动生成
竞争情报是指关于竞争环境、竞争对手和竞争策略的信息和研究，它既是一个过程，也是一种产品。作为过程，它是对竞争信息的收集和分析；作为产品，它是由此形成的情报和谋略。在数字经济时代，企业面临的竞争环境瞬息万变。新产品发布、价格调整、合作伙伴关系变化、高管变动、负面新闻等信息都可能对企业产生重大影响。传统的情报收集方式已经无法满足现代企业对情报的及时性、准确性和全面性的要求。如何高效地从海量、异构、分散的信息源中获取有价值的竞争信息？如何对这些信息进行去重、分类、分析和关联？
2026-06-16 20:17:29
25
原创 AI Agent Harness Engineering 不是万能药：适用与不适用场景边界
在深入探讨之前，我们首先需要明确几个核心概念：AI Agent 是指能够感知环境、做出决策并执行行动的自主系统。它通常包含感知模块、推理引擎、记忆系统和执行器四个核心组件。与传统的软件系统不同，AI Agent 具有自主性、反应性、主动性和社交能力等特征。Harness Engineering 在这里特指设计、构建、部署和管理 AI Agent 的系统化方法论和实践。它不仅仅是编写代码，更是涉及到 Agent 的整体架构设计、安全保障、性能优化、可观测性、治理和持续迭代等全方位的工程实践。将两者结合，AI
2026-06-16 19:28:57
89
原创 AI Agent在医疗影像分析中的实战：多智能体协同诊断与误判分析
本文深入探讨了AI Agent在医疗影像分析中的应用，特别关注多智能体协同诊断系统的设计、实现与优化。我们从第一性原理出发，分析了医疗影像诊断的本质挑战，构建了多智能体协同的理论框架，并详细阐述了系统架构、实现机制与实战应用。文章还深入探讨了误判分析方法论，提供了完整的误判检测、归因与修正流程。通过真实案例与代码实现，本文为医疗AI从业者提供了从理论到实践的全面指南，同时也讨论了这一领域的伦理考量、安全挑战与未来发展方向。医学知识的复杂性与不完备性。
2026-06-16 14:28:27
99
原创 智能体的意图识别：理解用户真实需求
意图识别（Intent Recognition）是对话系统、智能客服、智能家居、车载助手、电商导购等所有人机交互（HMI）应用的第一道核心关卡——它负责在接收到用户的文本、语音、手势等输入后，第一时间判断“用户到底想做什么”，而不是“用户说了什么字面内容”。什么是意图识别？它和实体识别、对话管理有什么关系？它的边界在哪里？意图识别从传统的规则引擎到机器学习、再到深度学习、大语言模型（LLM），经历了哪些演变？
2026-06-16 13:39:57
144
原创 人机回环：人类如何有效监督智能体？
在人工智能技术飞速发展的今天，智能体（Agents）已经从实验室走向了现实世界的各个应用场景。从自动驾驶汽车到医疗诊断系统，从金融交易算法到智能客服机器人，智能体正在以前所未有的速度改变着我们的生活和工作方式。我们如何确保这些智能体的行为符合人类的价值观、目标和安全要求？这正是"人机回环"（Human-in-the-Loop, HITL）概念所要解决的核心问题。
2026-06-16 12:51:27
190
原创 企业级 AI Agent Harness Engineering 选型指南：开源框架、商业产品与自研方案的对比分析
随着大型语言模型(LLM)的快速发展，AI Agent已经从概念验证阶段迈入企业级应用落地。如何选择合适的Agent开发框架成为企业数字化转型的关键决策。本文将从技术架构、功能特性、成本效益、生态系统等多个维度，系统性地对比分析开源框架、商业产品与自研方案的优劣势。我们将深入探讨LangChain、AutoGPT、LangFlow等主流开源框架，以及Microsoft Copilot Studio、Google Vertex AI Agent Builder等商业平台的技术特点。
2026-06-16 12:02:58
196
原创 AI Agent Harness Engineering 核心架构设计：全链路管控体系搭建指南
关于Agent的定义，学术界和工业界有很多不同的说法——但是，**我认为，目前工业界最实用、最被广泛接受的定义，是OpenAI在2023年11月发布的OpenAI Assistants API v1中的定义：**Agent = LLM（大语言模型）+ Memory（记忆体）+ Tools（工具集）+ Planning（规划能力）+ Acting（执行能力）。不过，我认为这个定义还不够完整——因为在生产级环境中，我们还需要加上Observation（观测能力）和**Safety（安全能力）。
2026-06-16 03:02:27
164
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