#Agent架构
共 62 篇相关文章
拆解一套可扩展的AI Agent自动化系统架构
从B站UP主的开源实践出发，拆解一套可扩展的AI Agent自动化系统：后端负责任务派发与数据管理，Agent负责采集执行，通过MCP与Skill灵活扩展，并探讨该架构在工作流自动化中的复用价值。
从人在环中到环外：AI Agent架构的下一跃
从人在环中到环边再到环外，解析AI Agent架构的演进路径：持久化Agent、事件触发器与沙箱如何构成主动型Agent系统，以及上下文、模型、提示、工具四要素如何放大工程师的杠杆。
Agent实战教程：从原理到多智能体落地
B站Agent实战教程第一课精华：讲清传统大模型、普通chatbot与Agent的本质区别，拆解感知、思考、行动三层架构，梳理教育等行业落地场景与学习路径。
60个AI Agent共用一把API密钥的迁移实录
一个团队将约60个自研AI Agent从共享API密钥迁移到独立身份体系的实践复盘，涵盖安全审计、配额隔离、密钥轮换与运维复杂度的真实权衡，为多Agent架构的密钥管理提供参考。
AI Agent交接机制：Handoff与Agent-as-Tool的本质区别
深入解析AI Agent两种协作模式：Handoff交接与Agent-as-Tool工具调用的本质区别，对比消息流向、上下文继承和回复归属，结合OpenAI Agents SDK实现与客服场景演示。
多Agent协作实战：主Agent调度Codex与Claude Code
B站UP主小山在「从零实现自己的agent」第十一期中，演示了主Agent调度Codex与Claude Code的多Agent协作方案：Codex负责深图与调研，Claude Code负责编码与UI落地，通过适配器和SDK派发任务，双通道回传进度与结果，实测完成特斯拉3D飞车复现视频。
AI编程Agent真相：模型从不运行你的代码
AI编程Agent并不直接运行代码：模型只输出文本，真正的执行者是外围的harness程序。本文解析Agent的循环机制、工具调用流程、权限边界、上下文压缩与prompt injection风险，帮你看清AI编程工具的能力与失效点。
Harness²解读：不训练模型，让Agent自进化工作台
Google Research与西北大学的Harness²项目证明：让Agent在运行时自演化工作台，小模型可击败跑默认工作台的更强模型。本文拆解其四层编辑机制、Propose-Probe-Compose三步循环与算力、回声室等现实局限。
Anthropic新指南：大多数AI Agent不需要堆子代理，单一主循环才是正解
Anthropic发布Agent架构新指南，主张大多数场景应回归单模型单上下文的开放式工具循环，仅在可测量退化时才拆分。指南披露单循环比多代理快约2倍，工具定义超30-50个后选择质量下降，Claude Code系统提示词削减超80%。
给Agent喂数据：MCP按需拉取还是预取？实战对比
Reddit开发者实战讨论：线索审核Agent该用预取还是MCP获取外部数据？本文拆解两种模式的成本、延迟与可控性差异，给出混合路线决策框架。
AI Agent生产环境运行时：技术栈选型与实战痛点
深入探讨AI Agent生产环境运行时的技术栈选型：编排框架Temporal vs LangGraph、Python/TypeScript语言选择、E2B/Firecracker沙箱隔离、长任务持久化与流式回传，以及规模化后的上下文管理和工具可靠性等实战痛点。
多步AI Agent成本失控与循环保护：生产环境架构实战
多步AI Agent生产环境的两大成本风险：重试循环烧钱与旗舰模型滥用。GuardrailX分享代理网关架构（循环检测、语义路由、LLM-as-a-Judge）与3571条请求日志真实数据，展示约54%成本降幅的落地细节。
搞懂AI Agent四大概念：Harness、Agent、MCP与Loop
用四个概念讲清AI Agent的运行机制：Harness提供工具与权限，Agent是行动观察循环，MCP是连接工具与数据的开放标准，Loop Engineering让循环自动收敛到终点。适合Agent入门者建立整体认知框架。
Agent Harness 与基础设施的交汇：四大前沿方向
探索 Agent Harness 与基础设施交汇处的四大前沿方向：梦境、异步子代理、心跳和提醒调度，分析托管代理平台的优势及对开发者的启示。
把决策模型放进Agent循环，而不是放在旁边
Agent循环中的检查成本正在吞噬token预算。本文解析决策模型（Decision Model）如何以单次前向传播返回概率，替代完整生成式判断，让安全门、相关性打分和逐步验证变得廉价可负担，并介绍S1MB榜单与Darwin-27B-ZTC-v9的实测方法。
AI Agent生产环境致命数学：96%单步准确率如何崩盘
96%单步准确率在20步Agent链中暴跌至44%成功率。本文解析串联可靠性数学，揭示生产环境Agent系统崩溃根源，并提出运行时治理的五个必需机制。
从群体到单体：本地优先Agent将重塑软件工程
探讨本地优先（local-first）单体Agent为何可能成为软件工程的下一个重大转向，分析其与多Agent群体协作的差异、对隐私合规与开发工具链的影响，以及这一路线尚未解决的技术问题。
AI Agent工作流不可靠？控制平面是关键
AI Agent工作流为何需要控制平面？本文解析模型能力与执行可靠性的差距，介绍持久化状态、幂等重试、工具边界权限检查、结果度量等关键实践，帮助团队构建可观测、可恢复的Agent生产架构。
