#智能体架构
共 23 篇相关文章
AI Agent vs ChatGPT：从被动应答到自主行动的范式跃迁
解析 AI Agent 与 ChatGPT 的本质区别：从被动应答的聊天机器人、预设轨道的 AI 工作流，到 LLM 自主决策的智能体。详解 ReAct 框架、自主纠错循环与人类在回路中的安全护栏。
从人在环内到环外：Durable Agent自动化新闻策展实战
IndieDevDan展示Durable News Agent如何用持久化智能体与触发器自动策展新闻，以炒作、事实、信号三层过滤和用户反馈权重，帮助工程师从人在环内迁移到人在环外。
用Jev加速Hermes智能体：快慢模型分工的工程实践
解析如何用轻量级Jev模型加速Hermes智能体框架：通过快慢模型分工，将简单意图判断响应时间从数秒压缩到约200毫秒，并分析分层决策架构的适用场景与边界。
Redis团队实战：生产级AI智能体的上下文工程
Redis应用AI团队分享生产级智能体上下文工程实战经验：从SRE智能体设计出发，探讨上下文窗口管理、工具抽象与安全边界、评估与可追溯性，以及技能自动优化的现实边界。
反洗钱智能体实战：优化记忆比换大模型更有效
反洗钱智能体如何构建？基于AI开发者Nacho Martinez的技术分享，解析智能体架构中记忆层、上下文工程与工具调度的设计要点，说明为何优化脚手架比更换大模型更能提升金融风控任务表现。
多智能体系统为何86%失败？拆解规划器到执行者的规格漂移
多智能体系统生产失败率高达86.7%，根源在于规划器到执行者的规格漂移与静默工具错误传播。本文拆解三类交接瓶颈，结合10,000条工作流审计数据，解析确定性状态契约图如何将端到端成功率提升至96.9%。
Harness架构实战：企业级智能体从部署到落地全解析
深入解析 Harness 驾驭工程架构的企业级智能体实战项目：Vue+FastAPI 前后端、ASGI 流式部署、MCP 网关对接 ERP、沙箱隔离 Skill 安全与用户数据，覆盖大模型工程化落地的部署全流程与面试要点。
多智能体系统的生产级实践：当AI互相矛盾时
一位开发者在生产环境运行多智能体系统六个月后的深度复盘：编排模式选择、熔断器设计、幂等性实现和可观测性建设，揭示AI智能体间的分布式状态矛盾和优雅失败策略。
MCP vs 函数调用：智能体工具选型的决策框架
MCP 与 LLM 函数调用解决不同问题。本文对比两者核心差异、MCP 隐藏的运维成本，并给出智能体工具选型的实用决策框架，帮你避免为错误理由引入 MCP。
OpenSeal 智能体架构解析：持久化编排与审批治理
深入解析开源 AI 智能体平台 OpenSeal 的架构：从 Objective、Run、Turn 到 Skill 的持久化执行路径，租约恢复机制、能力检查、审批治理与模型路由设计，附最小评估计划。
揭秘常驻AI智能体：持久化、主动性与长时任务架构
斯坦福CS146S课程深度拆解常驻型AI智能体（always-on agent）的工作原理：从四个开发者时代、六项模型能力，到瘦客户端厚服务器架构、子智能体、prompt缓存与上下文压实等工程技巧，并展望长时任务与训练飞轮的未来。
Uber如何用Omni MCP解决MCP最大的上下文难题
Uber推出Omni MCP代理服务器，用discover server、discover tools、get tool schema、invoke tool四个元工具解决MCP在5000+工具规模下的上下文爆炸难题。本文详解其架构、权限控制与响应投影机制。
MCP隐藏的Token税：一个服务器开工前烧掉1.8万Token
MCP（模型上下文协议）本应简化AI智能体的工具调用，但一个Chrome DevTools服务器开工前就可能消耗1.8万Token。本文解析MCP隐藏的Token税成因，并给出测量、剪枝、懒加载、混合模式等实用优化策略。
超越单次提示：什么样的真实问题才值得用AI Agent来解决？
什么样的真实问题才值得用AI Agent来解决？本文基于Reddit开发者讨论，梳理了判断Agent适用场景的六大标准，并给出运维诊断、旅行编排、深度研究等实战方向，帮你避免过度工程化误区。
从Pizza Bot看后台AI智能体为何需要收件箱
从Pizza Bot看后台AI智能体为何需要收件箱
AWS开源的Pizza Bot揭示了后台AI智能体协作的核心设计模式：队列、审批、检查点与返回路径。本文解析为何长时间运行的AI智能体需要类似收件箱的异步协作机制。
Harness驾驭工程实战：企业级多Agent智能体架构拆解
深入拆解基于Harness驾驭工程架构的企业级多Agent智能体项目：Vue前端、FastAPI/ASGI后端、DeepSeek多模型编排、MCP协议对接ERP、沙箱容器隔离等企业级落地方案全解析。
前沿研究Claude Code开源架构深度解析：51万行代码的设计哲学
深度解析Claude Code开源架构的六大核心设计理念，包括双层循环架构、七步工具执行管道、四层Token压缩策略、记忆系统与多智能体协作模式，揭示工业级AI智能体的工程化精髓。
深度解读AI智能体入门：核心概念、技术架构与工作原理全解析
从零开始理解AI智能体（AI Agent）的核心概念，详解感知、决策、执行三大能力，对比传统程序与智能体的本质区别，深入剖析LLM、工具调用、记忆系统和RAG四大技术组件及完整工作流程。
前沿研究Optimize Anything：一个API统一优化代码、提示词和Agent架构
UC Berkeley与Stanford联合提出Optimize Anything通用文本优化框架，通过一个声明式API统一优化CUDA内核、智能体架构、系统提示词等六大领域，全面超越专用工具。深度解析其三种优化模式、辅助信息机制与Pareto搜索策略。
行业洞察GPT-5.5在Databricks文档解析中错误率降低46%：实测数据与架构解析
Databricks实测显示GPT-5.5在复杂文档解析中错误率降低46%，成为唯一突破50%准确率的模型。本文详解其在数字解析、多智能体架构中的关键突破及企业落地方案。