语言模型标签_AI Agent技术社区

语言模型

AI Agent 系统设计与多 Agent 协作架构：工具选型别只比较参数

AI Agent 系统设计与多 Agent 协作架构：工具选型别只比较参数”里的做法需要放回自己的代码、数据和权限条件里判断。读到一条建议后，先问它依赖的输入是否可得、失败信号是否能被看见、撤销动作由谁执行。若其中一项没有答案，先补充验证材料，再把范围扩到更多调用点。工程判断允许保留不确定性，关键是不要把还没检查过的部分藏在顺畅的描述里。

2401_87746054
2026-08-24 17:06:01

 447

 4

#人工智能 #语言模型 #后端 +2
SmartCall 重磅升级：端到端全双工语音对话，重构AI通话体验

目前绝大多数AI呼叫中心、智能客服系统，均沿用，属于典型的半双工交互模式。随着实时语音大模型技术成熟，成为下一代AI呼叫中心的核心标准。SmartCall 完成底层语音架构重大升级，，彻底摆脱传统三段式架构桎梏，实现。

JPower_mr.g
2026-08-24 09:41:10

 287

 9

#重构 #人工智能 #开源 +2
AI 时代，软件基本功真的过时了吗？——Uncle Bob 的实战经验与深度思考

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。

我不是张麻子
2026-08-23 00:00:44

 309

 12

#人工智能 #AIGC #语言模型 +1
独立开发者从想法到上线的全流程管理的权限边界

用于部署和配置更新的 AI Agent 必须在受限环境中运行。工具层应拒绝危险删除、密钥写入命令和含敏感信息的提交，并要求对高风险操作进行显式审批。权限边界应由执行环境强制实施，而非依赖模型判断。

澹锦汐
2026-08-22 18:20:32

 540

 5

#人工智能 #语言模型 #前端
DeepSeek Harness 常用插件介绍

DeepSeek Harness（DSH）是 DeepSeek 官方开源的 AI Agent 运行时框架，核心理念为"一切皆插件"。本文档基于 Cursor用户沟通群讨论 + 网络资料整理，收录了 15+ 款实用插件。必装推荐：ModLens（视觉能力，让纯文本模型看图）、dsh-at-file（@快速调文件）、dsh-genui（交互式 UI 渲染）、DSH-better-sidebar（侧边栏

 FunTester
2026-08-22 11:23:44

 367

 7

#人工智能 #语言模型
SmartCall 更新：原生支持端到端语音大模型双工对话，打造低延迟实时通话体验

摘要： SmartCall推出端到端双工语音交互方案，解决传统AI客服延迟高、交互生硬等问题。传统三段式架构（ASR→LLM→TTS）存在多级串行延迟、无法实时打断等痛点。新版本通过原生支持端到端语音大模型，实现流式音频处理，显著降低响应时延，支持边听边推、实时打断，保留完整语音信息。该方案兼容现有IVR系统，适用于高端热线、外呼回访、方言场景及私有化部署。SmartCall坚持模块化设计，支持双

 JPower_mr.g
2026-08-19 09:17:31

 381

 9

#人工智能 #java #开源 +1
多智能体系统如何持续观察运行效果

本文讨论「AI Agent 系统设计与多 Agent 协作架构：日志、指标、Trace 的可观测性落地」的设计与验证方法。文中的场景用于说明排查和决策过程，不对应某次线上事故，也不代表任何项目的性能数据。先为一次请求分配 trace_id，再把 Agent、工具调用、检索和模型响应放进同一条链路。

2401_87746054
2026-08-18 16:10:25

 525

 13

#人工智能 #语言模型 #后端 +1
独立开发者从想法到上线的全流程管理：从断言到端到端验证

引入 AI Agent 后，不能只凭“写得顺不顺”判断效果。工具调用、生成的代码结构和部署产物都应通过测试与检查验证。资源有限时，可用单元测试、集成测试和 E2E 校验覆盖关键边界。

澹锦汐
2026-08-17 21:51:57

 485

 8

#人工智能 #语言模型 #前端
大模型Agent的5种核心设计模式：从ReAct到Multi-Agent，工程师视角的深度拆解

大模型Agent的5种核心设计模式：工程师视角解析本文从工程实践角度拆解了当前主流的5种Agent设计模式： ReAct模式：先推理再行动，适合多工具调用的复杂任务，但存在延迟问题 Code Act模式：用代码精确解决问题，保证结果可复现，但需沙箱环境 Agentic RAG：智能检索增强，能主动优化搜索策略并更新知识库 Self-Correction：自我校验输出质量，提高准确性但增加计算成本

 AIGC安琪
2026-05-28 18:07:48

 219

 6

#设计模式 #语言模型 #人工智能
开源 AI 工具链开发与轻量化 Agent 产品设计：别让演示效果骗了你

在演示环境中，Agent 往往能顺利完成代码修改和测试生成；接入真实项目后，循环调用、上下文超限和危险工具操作都会暴露出来。这里以这些常见风险为例，讨论如何设计轻量 Agent 的边界。Demo 只能说明链路可用。面向生产的轻量 Agent 更需要确定性的工程护栏来限制模型的不确定输出。

星辰AI
2026-08-10 17:58:08

 1547

 10

#人工智能 #语言模型
Agent产品的下一步技术路线：从LLM到LAM(Large Action Model)的演进

当前主流的Agent产品几乎都建立在LLM之上。典型的模式是：用LLM解析用户意图、生成执行计划、拆解为工具调用、汇总输出结果。这个模式在简单任务上表现尚可，但在复杂操作场景下暴露出三个根本缺陷。第一个缺陷是推理与行动的脱节。LLM生成一个步骤描述（比如"点击登录按钮"），但这个描述需要通过中间层的翻译才能转化为实际的UI操作。这个翻译过程是错误的高发区——文本描述"点击页面右上角的按钮"在实践中

 qq_35160742
2026-07-29 14:34:08

 3689

 7

#人工智能 #语言模型
AI开发范式的变革：从Prompt Engineering到Agent Engineering的能力迁移

2023-2024年，Prompt Engineering是整个AI领域"最年轻的高薪技能"。从业者通过精准控制几百个Token的提示词来引导大模型的输出，涌现出一整套工程化方法论：少样本提示、思维链、自一致性、树状搜索。当时的核心假设是"模型能力是固定的，而Prompt是杠杆"——一个精巧的Prompt可以挖掘出模型本身没有被训练体现的能力。但这个假设在2025-2026年加速失效。原因不在于P

qq_35160742
2026-07-28 13:16:30

 891

 12

#人工智能 #语言模型
Agent技术的现在与未来：从学术前沿到商业落地的距离判断

Agent技术从学术前沿到商业落地，需要跨越三层鸿沟：推理可靠性、工具调用鲁棒性、场景适配。每一层鸿沟都不是靠更大的模型自动弥合，而是靠扎实的工程工作——轨迹分析、失败分类、工具可靠性追踪、场景适配迭代。三个核心判断：第一，垂直Agent比通用Agent更有商业价值，至少在2026年下半年如此。第二，单Agent+工具链比多Agent协同更务实，除非场景确实需要角色分工。第三，工程补偿比模型升级更

 qq_35160742
2026-07-31 17:50:44

 926

 4

#人工智能 #语言模型
Agent 记忆三境界：工作记忆、短期记忆、长期记忆如何设计才能让你的 Agent 不“健忘”？

因为Agent开发本质上就是"用自然语言编程"——而这恰恰需要你已有的工程能力：你有代码功底 → 理解Function Calling、工具调用、API集成，比零基础快10倍你有系统设计经验 → 设计多Agent协作架构、状态管理、错误处理，逻辑一脉相承你懂工程化 → 部署、监控、性能优化，这些AI项目同样需要你理解数据 → RAG系统的数据清洗、向量检索、效果调优，你的DB经验直接复用说白了，你

 Python怎么学啊
2026-07-20 18:08:11

 238

 8

#人工智能 #产品经理 #语言模型 +1
轻量化 Agent 产品设计：开源工具链驱动的极简架构实践

/ tools.ts — 工具定义与注册，Schema 驱动的参数校验enum?: string[];}>;error?: string;// 超时控制，默认 10 秒// 是否允许重试// 工具注册表：全局单例，管理所有可用工具register(: number;retryable?): void {throw new Error(`工具已注册: ${schema.name}`);schema,

星辰AI
2026-06-24 14:40:30

 1287

 7

#人工智能 #语言模型
企业 Agent 权限映射：角色不是简单复制组织架构

企业 Agent 权限映射要围绕资源、动作、范围和条件设计，并默认继承用户权限。角色不是简单复制组织架构。Agent 能做什么，必须比人类操作更清楚。核心要点：权限拆成资源、动作、范围、条件四层。Agent 默认继承用户权限，不做加法。敏感动作必须二次确认，不能一键执行。权限变更要实时同步，过期自动回收。

qq_35160742
2026-07-05 13:07:56

 701

 10

#人工智能 #语言模型
企业级 Agent 产品：多租户隔离与资源配额的架构设计

多租户隔离的核心是在共享集群上实现公平的资源分配。令牌桶控制速率，并发数限制控制峰值，优先级调度处理竞争。三层机制协同工作，既保证了大客户的资源需求，也防止了小客户被饿死。落地路线建议：第一步，为每个租户配置基础配额（并发数 + Token 速率），先做硬限制；第二步，引入令牌桶，支持突发流量；第三步，添加优先级调度，为 VIP 客户提供资源保障；第四步，基于历史数据动态调整配额，提升集群资源利用

 qq_35160742
2026-06-11 10:37:01

 935

 31

#人工智能 #语言模型
LangChain、FastAPI、Python大型语言模型LLM电商多智能体Multi-Agent客服系统|附代码

基于此，我们借鉴人类企业的组织分工模式，设计了多智能体协作架构：将电商客服的全流程任务拆解为“意图解析”“商品查询”“订单处理”等子任务，每个子任务由专属的智能体负责，智能体之间通过标准化的工具调用完成协作。该框架是国内可正常访问的开源工具，提供了智能体、工具、记忆等抽象层，无需重复开发基础逻辑，是构建LLM应用的主流选择，国内暂无完全同质化的替代品，但有AgentScope等自研框架可实现类似功

 拓端研究室TRL
2026-02-26 17:49:53

 428

 11

#fastapi #语言模型 #人工智能 +1
Agent在代码生成场景的落地实践：从需求描述到可运行代码的质量保障

Agent代码生成的规模化落地，本质不是模型能力的竞赛，而是工程体系的建设。四个关键动作可以立即落地：建立团队级需求规格模板减少输入歧义；将静态分析规则内嵌进生成管道；对每次生成强制输出配套测试；设置重试上限并在达到上限时自动升级为人工审核。从趋势看，2026年下半年各主流模型的代码能力仍在快速提升，但"最后一公里"的质量保障能力，将成为区分"能用"和"好用"的核心分水岭。

qq_35160742
2026-07-21 23:32:03

 1312

 26

#人工智能 #语言模型
Agent 时代：大模型从对话走向行动

传统大模型应用开发的主要优势在于依赖 LLM 对自然语言的理解与生成能力，在给定上下文和预置流程下，能够完成问答、总结、改写、邮件润色、闲聊等相对明确的任务。从工程架构上看，它本质上更接近一种确定性流水线：开发者提前设计好 Prompt、检索、模型调用、结果解析等执行步骤，模型只负责在固定环节完成语言处理。一旦面临任务复杂度升高，涉及多步骤协同、动态决策、外部系统交互、工具调用和执行结果反馈时，传

 Survivor001
2026-06-06 15:30:53

 394

 4

#人工智能 #语言模型
0基础学会Agent Harness工程（06）：Subagent用干净上下文拆任务

第 05 篇已经把复杂任务写成可观察的 Todo 清单，但局部检索产生的文件、日志和失败尝试仍会进入主 `messages`。本篇增加 `task` 工具、`spawn_subagent()`、独立 `SUB_SYSTEM` 与全新的 `child messages`，沿“父 Agent 分派—子 Agent 调用工具—summary 回填父循环”的链路，解释上下文隔离怎样成立、治理 Hook 为

 AI_001001
2026-07-27 23:55:55

 180

 9

#人工智能 #语言模型
【Python LLM 小说自动化生成实战】2｜搭建Pydantic Schema数据模型

本文介绍了使用Pydantic构建小说自动化生成系统数据模型的方法。主要内容包括：1. 在src/schema.py中创建Novel和Chapter两个核心模型类；2. Chapter模型采用复用设计，通过空字符串默认值和空列表实现大纲阶段与扩写阶段的统一；3. 详细解析了Field配置规则，包括必填项、默认值设置及数值范围限制等关键点；4. 模型设计解决了字段类型校验、数据格式统一等问题，为后续

 vHelios
2026-07-24 20:59:57

 527

 18

#人工智能 #python #语言模型
让Agent质量可度量：自动化评测、人工打分与用户反馈的三维校验体系

Agent评测体系的建设，本质上是把"灰度"的质量感知变为"白盒"的量化度量。实施建议分三个里程碑。第一个里程碑：建立50个核心评测Case和自动化评分脚本，跑通从"模型变更→自动评测→结果通知"的闭环，周期在一个迭代内。第二个里程碑：引入人工评测抽样，建立双盲打分机制。第三个里程碑：接入用户反馈数据，让真实用户需求驱动评测Case的持续丰富。记住一个核心原则：自动化评测负责守住质量底线，人工评测

 qq_35160742
2026-07-26 18:31:48

 765

 8

#人工智能 #语言模型
企业上AI，为什么应该从“岗位Agent”开始？

岗位Agent，可以理解为围绕某个专业岗位设计的AI数字助手。它不是简单回答问题，而是结合这个岗位的工作目标、业务资料、流程规则和常见任务，帮助员工完成一部分重复性、标准化、信息密集型的工作。

全栈大佬！
2026-07-06 16:58:46

 200

 6

#人工智能 #产品经理 #学习 +1
从「外挂」到「脑子」深度解析：LLM Agent进化逻辑，一篇彻底搞懂！

《大模型Agent的外化演进：从权重到基础设施》摘要上海交大与中科院团队2026年发表的综述论文提出"外化(Externalization)"框架，揭示LLM Agent发展的核心逻辑：智能系统的进化正从扩大模型规模转向构建外部认知设施。研究将发展历程划分为三个阶段：1)能力内嵌于模型权重；2)能力转移至上下文窗口；3)能力沉淀为持久化基础设施（记忆库、技能文件、协议层）。论文系统分析了外化的三

 网安福宝
2026-05-20 10:53:30

 290

 7

#语言模型 #人工智能 #产品经理 +1
Agent能力优化：别只盯着Agent RL，预训练和SFT才是关键

从2024年底DeepSeek"诺曼底登陆"以来，2025年开源和闭源模型迭代速度和开源质量远超以往几年。经常会遇到当T时刻在领域benchmark上优化到SOTA之后，T+1时刻有更优的通用模型公布，在领域benchmark指标反而比你专门优化的领域大模型更好。经历过几轮类似事件后，理解到做领域大模型的本质其实是产出一套稳健的训练方案Training-Recipe。即不管通用SOTA模型如何变化

 2601_95522367
2026-04-07 13:50:13

 37

#人工智能 #语言模型
企业Agent的高可用架构：多活部署、故障转移与容灾演练

企业Agent的高可用建设有三层：接入层通过DNS+负载均衡做流量分发，服务层通过无状态设计+熔断器做故障隔离，数据层通过主从复制+会话迁移做状态保护。对于创业团队，先用最小成本实现高可用：同区域双实例 + 数据库主从 + Redis Sentinel。等有了第一个企业客户后，再逐步扩展到跨区域多活。可用性建设是为客户的业务连续性买的保险，这个保险不能等出险之后才想起买。要点提炼先做到同城双活。两

 qq_35160742
2026-07-13 11:04:29

 630

 5

#人工智能 #语言模型
Agent开发面试圣经6

不是对所有旧历史做一次性摘要，而是分层处理：最近 10 轮保持原文，10 到 50 轮的历史压缩成一份「中期摘要」，50 轮之前的历史进一步压缩成更精炼的「长期摘要」。每一层的信息密度不同，越久远的越精炼，但核心决策和关键结论始终被保留。这有点像公司的会议纪要体系：今天的会议有详细的逐条记录，上个月的会议只留要点摘要，去年的只留关键决策备忘。层级式摘要的好处是，Agent 既能精确回忆近期细节，也

 knight_9___
2026-04-19 11:40:09

 844

 30

#面试 #java #语言模型
Agent 工具调用的极致性能优化：并行编排、语义缓存与智能预取策略

Agent 工具调用的性能优化，本质是一场"延迟消除"的工程实践。三大核心手段各有适用的场景和边界。先做并行执行——收益最大，实现最简单，几乎无风险再做结果缓存——对高频读操作收益显著，需谨慎处理过期策略最后考虑预取——只在延迟敏感且模式可预测时启用依赖分析是并行的前提——拓扑分层决定能并发多少监控缓存命中率和平均延迟——没有度量就没有优化要点提炼并行执行ROI最高：无依赖调用同层并发，延迟从累加

 qq_35160742
2026-07-19 15:18:05

 610

 5

#人工智能 #语言模型
你的Agent每次调用花了多少钱?我手写了一个Token追踪器,发现了3个意外

上周我的Agent跑了一整晚的任务链–5个模型轮番上阵,42次API调用,第二天醒来一看账单,懵了。花了多少钱?哪个模型最慢?输出质量有没有退化?全不知道。这不是我一个人的问题。踩完这些坑,我总结出一条铁律:生产级Agent必须有三层监控–Token追踪(花钱账本)+ 质量预警(健康体检)+ 调用链可视化(病历档案)。缺任何一层,你都是在盲人摸象。这篇文章从Week6的4个AtomicIntege

长空凝视
2026-06-25 00:01:44

 166

 2

#java #语言模型
Agent设计模式：从单次调用到多步推理的编排架构与记忆管理

ReAct模式为Agent提供了从单次调用到多步推理的编排框架。通过"思考-行动-观察"的循环，Agent能够自主规划、工具调用和策略调整。在落地时，需要关注Token消耗、工具选择准确率和执行可观测性三个关键问题。建议从3到5个工具的小规模场景起步，逐步扩展工具集和推理深度，同时建立完善的执行日志和回放机制。

qq_35160742
2026-06-18 18:20:43

 1162

 5

#人工智能 #语言模型