登录社区云，与社区用户共同成长
邀请您加入社区
David Ondrej 是一名 AI 博主，今年 22 岁，专注 AI 编程和智能体工作流。做 AI 之前，他手里有一个 40 万订阅 的视频频道。三年前，他把频道放下，扎进 AI agent，一写就是 2000 多个小时。这几年他做的事不止写代码。他还是开源智能体框架 Agent Zero 的作者。三周前，他又做了一件让 AI 圈集体侧目的事。他把平时用的那一整套 agent 技能，全部开源成
完整 AI Infra 不是 「模型 + LangChain + 向量库」，而是：算力资源底座 + 模型服务与网关 + 数据 / RAG 管道 + Prompt / Context 管理 + Agent / Workflow 编排 + 工具执行沙箱 + 状态记忆系统 + 评测质量体系 + 可观测 / SRE + 安全治理 / 合规 + 成本与开发者平台。9 层纵向架构 + 4 个横切能力，缺一不可
英伟达AVO架构在ARC-AGI-3测试中取得突破性进展，将基础模型Claude Opus 5的性能从30%提升至100%通关。这一成果的关键在于创新的系统架构设计而非模型本身。AVO通过持久化记忆实现跨任务经验积累，采用分层监督机制防止陷入局部最优，建立检查→规划→执行→评估的闭环迭代流程。实验显示，这些工程优化贡献了约70%的性能提升，证明在AI Agent开发中，系统架构设计与模型能力同等重
Hermes Agent 是 Nous Research 开源的模型无关 AI Agent 框架。它的核心运行时入口是一个叫 `run_agent.py` 的文件——单文件 。我第一次打开它的时候以为核心逻辑都在里面,读完才发现被"骗"了:这是一个典型的**门面(Facade)+ 兼容层**,真正干活的逻辑几乎全被拆进了 `agent/` 包
同步请求-响应是写Web服务时最自然的本能，对智能体应用却错在六个方向上，每一个都会在不同日子变成事故。它会把连接挂开两分钟、标签页一关就丢任务、网络抖动就重试一次0.2美元的操作、只给用户一个转圈而不给任何信息、无法取消、第97秒失败时前96秒的工作全部消失。Part 1讲的是Harness本身：工具、提示、记忆、编排和评估。这一部分是真正跑起来的后端——一个可以直接拿来改的参考模板。例子用Fa
深模块指接口小而功能强大的模块；浅模块则接口大但隐藏信息少。Bob 发现，Agent 在处理深模块时表现远优于浅模块。因为 Agent 只需要理解接口契约，无需关心内部实现细节，这大大降低了上下文负担。回顾软件发展史：从二进制到汇编，从汇编到高级语言，再到今天的 AI Agent，每一次抽象层提升都伴随着"基础无用论"的喧嚣。
最近跟好几位测开朋友聊，话题最后都会落到同一句。AI Agent 测试岗开始招了，简历上要写自然语言驱动 UI，还要写得懂 LangChain 跟 Playwright。很多人第一反应是，这是不是又在换名词收智商税。
本文系统性地探讨了AI Agent在生产环境中的失败兜底策略，提出了一套分层架构和决策框架。主要内容包括： 失败分类模型：将Agent失败划分为决策层、执行层和编排层三个维度，并建立可重试性分类矩阵。 兜底架构设计： 四层防御体系（请求入口层、执行层、容错策略层、人工运维层） 核心设计原则（可观测优先、显式状态、幂等保障等） 智能决策机制： 基于失败类型的动态决策树 失败成本模型与SLO量化管理
层次价值表面Claude Code 的 GitHub 仓库、Issue 跟踪、插件分发中层一套完整的 AI Agent 自动化运维系统的参考实现深层Anthropic 对 Agent 安全性、可编排性、企业部署的方法论输出这个仓库不是在"发布代码"——它在展示一种新的软件工程范式：AI Agent 不只是写代码的助手，而是参与软件工程全生命周期（Issue 分诊 → 去重 → 审查 → 合并）的自
本地优先 Agent 不只是本地运行模型。文章从上下文、身份凭证和执行副作用三层拆解登录态、MCP 令牌、人工确认与状态回读的安全边界。
DeepSeek Harness 是由 DeepSeek AI 的 dsh 团队开发的开源代理框架，不是一个新的大语言模型。它采用“一切皆插件”的架构，由 Cordis 提供支持，可通过 Node.js 与 npm 快速启动 Web UI，也可以使用 pnpm 从源码构建。本文围绕项目定位、插件化思想、Cordis 与时空可组合性、npm 与源码运行、SSH 远程访问、插件开发准备、故障排查和开源
AI Agent（智能体）是以大语言模型（LLM）为核心，能够感知环境、自主规划、调用工具并执行任务以达成目标的程序系统。与传统单轮问答不同，Agent 具备记忆、推理和行动能力，可以完成多步骤复杂任务。本文面向零基础或初级开发者，从核心概念讲起，逐步深入到代码实战，帮助你建立 AI Agent 工程师所需的知识体系和动手能力。本文从零开始介绍了 AI Agent 的核心概念、架构和代码实战，涵盖
本文从技术架构角度深度解析2026年AI外呼系统的核心能力模块，涵盖通信层、AI智能层、业务管理层三层架构，以及ASR、NLP、TTS、预测拨号算法、合规风控等六大技术维度，为技术决策者提供可复用的选型框架。不是AI外呼技术没用，而是多数企业选型只看价格和表面功能，忽略了语音识别能力、语义理解技术、外呼风控机制等核心底层能力。企业在选型时，建议按照“合规资质→ASR识别率→大模型对话能力→响应延迟
2026年AI Agent记忆架构技术趋势与实践指南 核心问题：2026年AI Agent普遍面临"会话失忆"问题，跨会话记忆管理成为行业痛点。GitHub热门项目如OpenViking（火山引擎）、腾讯云Agent-Memory等聚焦记忆分层存储方案。 四层记忆架构： L1会话记忆：管理短期对话上下文（Redis/滑动窗口+摘要压缩） L2技能记忆：沉淀操作流程模板（JSON/向量存储） L3知
刚开始使用一个能执行任务的AI Agent，很多人遇到的第一个困惑不是它能做什么，而是它为什么总在问我。我让它修改一个文件，它问我是否允许写入；它准备运行测试，又问我是否允许执行命令；它要安装依赖、读取网页或调用外部服务时，还会弹出网络访问确认。任务明明是我发起的，为什么每走一步都要重新批准？
很多企业搭建AI Agent知识与记忆能力时，都会走入同一个误区：只用一个向量数据库，把企业文档、聊天记录、用户信息全部混存。但实际上，知识、会话状态、长期记忆、业务数据、任务文件的更新频率、使用场景、权限规则、保存周期完全不同，混存混用会导致AI答非所问、记忆错乱、业务执行出错。更稳妥的落地方式是采用分层云上数据架构，各司其职：用Amazon Bedrock Knowledge Bases做RA
你可能写过一个很快能跑起来的 Agent Demo：系统提示词、几个函数 schema、一次模型调用，模型返回 tool call，程序执行函数，再把结果塞回模型。这个 Demo 很有价值，它能说明模型确实可以选择工具。但只要放进真实环境，问题很快就会出现：用户可能从 Webhook、Slack、微信、定时任务进来；工具可能写文件、跑命令、调用外部服务；任务还要跨会话保存状态、失败后恢复、事后能追
字节2027校招，第一次把"AI Agent开发"和"AI全栈工程师"写进岗位目录。以前这两个title在市场上连标准JD都没有。现在直接进了校招。我认识的几个Java后端看完招聘页，群里发了一串省略号。
很多AI客服项目只关注“回答”。但生产环境中还有一个很重要的问题：回答不了怎么办？如果AI说：很抱歉，我无法解决，请联系人工客服。然后人工进来以后又问：您遇到什么问题了？用户就需要重新描述一次。这不是真正的人机协同。用户↓AI Agent↓识别无法独立解决↓生成会话摘要↓携带上下文↓转人工↓人工继续处理"intent": "售后问题","customer_request": "申请特殊处理",
