登录社区云,与社区用户共同成长
邀请您加入社区
Google主导的A2A协议v1.0正式加入AAIF,标志着AI Agent通信标准进入统一化阶段。该协议定义了Agent间通信的四个核心组件(AgentCard、Task、Message、Artifact),通过标准化能力声明和调用方式实现跨平台协作。与MCP协议形成互补关系,A2A解决Agent间协作问题,MCP处理Agent与外部资源连接。协议标准化将减少开发者适配工作量,但目前各框架适配仍
AI Agent 搭建全流程,小白照着做,七步跑通第一个智能体
你好! 这是你第一次使用# LangGraph智能体开发实战:从状态机到生产级工作流在 AI Agent 开发框架的版图里,LangGraph 是一个绕不开的名字。它由 LangChain 团队推出,定位不是"LangChain 的图形化插件",而是一套全新的工程范式——把 Agent 的执行过程建模为一张有向图,用状态机的方式管理每一步的执行。很多开发者第一次接触 LangGraph 时,下意识
本文深入解析了DeepSeek Harness在AI Agent工具调用中的核心设计,重点阐述了pre-execute和post-execute两个关键阶段。pre-execute阶段负责参数校验、权限检查和上下文注入,确保工具调用的安全性和正确性;post-execute阶段则处理结果规范化、错误捕获和状态更新等后续工作。文章通过Java代码示例详细展示了各阶段的实现逻辑,并提供了一个订单查询工
OctaFuse Gateway 2.7.0 重点解决三个实际问题:如何让工作日和周末使用不同价格,如何为不同用户设置专属模型价格,以及如何通过统一网关调用阿里云百炼的同步多模态语音识别。这意味着,当模型供应商调整峰谷计费规则时,你可以直接在路由中跟进;面对签约客户、内部账号或不同服务套餐,也可以为指定模型单独设置折扣或加价。
文章讨论高风险系统中一个常被忽略的问题:策略判断与现实执行不应由同一组件完成。运行时的职责应止于产生“裁决”,而执行必须经过独立边界,对执行对象、关键参数、状态、时效与证据进行再次确认。执行侧不需要重复完整策略,却必须验证“现在准备执行的,仍然是当初被允许的那件事”,并拥有拒绝一份合法裁决的权力。通过能力与权限分离,可以缩小凭据暴露范围,避免单点失陷同时击穿判断与执行。尤其在 AI Agent 场
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
block/buzz更准确的定位是一个面向人类与 AI Agent 的自托管协作 Workspace。MessageReactionWorkflowReviewGit Event统一放进签名事件日志中,让人和 Agent 共享身份、工作区和审计轨迹。如果只是体验,可以在本地使用官方开发环境;如果准备多人长期使用,则更适合把 Buzz Relay 部署在持续在线的 Linux 服务器上。
用 Docker 把 Keycloak、NewAPI、Dify、Grafana 等开源组件串成一套私有 AI 平台,部署交给 AI Agent 干.
本文系统介绍了AIAgent(智能体)的概念、核心组成与实现方法。AIAgent是一种能感知环境、自主决策并执行任务的智能系统,区别于传统大语言模型(LLM),它通过规划、记忆、工具调用和反馈循环等模块实现主动执行能力。文章详细解析了AIAgent的工作流程,并提供了基于Python和OpenAI API的代码示例,演示如何构建具备天气查询和数学计算功能的简单Agent。此外,还介绍了使用Lang
octo-agent 是一款开源、自托管的 AI Agent 工具集,它通过自然语言指令即可完成复杂的 agentic 任务循环,用户可自由选择模型并将所有服务和数据保留在自己机器上,实现完全私有化部署。本文将详细介绍如何利用 Docker 在局域网内部署 octo-agent 并结合路由侠实现外网访问局域网内部署的 octo-agent。
本文介绍了LangChain中PromptTemplate的partial方法,用于实现提示词模板的部分格式化。该方法支持两种模式:1)静态值填充,允许先填充已知变量,剩余变量稍后补充;2)函数动态生成,通过绑定函数实现变量值的实时更新(如当前时间)。文章提供了完整代码示例,展示如何先部分格式化模板,再完成最终填充,以及如何动态生成时间戳。这种分步格式化方式特别适用于异步数据获取、默认参数设置和动
ReAct由Yao等人于2022年提出,其核心是将推理轨迹(Thought)与动作执行(Action)交织在一起。Thought:模型根据当前状态思考下一步该做什么。Action:调用一个外部工具(如搜索引擎、计算器、数据库查询)。:记录工具返回的结果。重复以上步骤,直到得到最终答案(Final Answer)。这种设计让模型能够动态利用外部信息,克服纯参数化知识在时效性、精确性上的局限。我们使用
做过运维的都知道,写脚本和建平台是两码事。if 告警A then 执行B。出了问题,看日志,找根因,手动或脚本恢复。整个过程是确定性的,权限也是明确的——用户有 sudo 权限,或者应用有特定的 API Token。现在转做 AIOps Agent,很多人以为就是把这套逻辑换成 LLM 调用。我一开始也是这么想的,结果第一个 Demo 跑通后,真正让我头疼的不是模型选哪个,而是:谁授权了这个 Ag
项目编号:20260728-006。本文代码、测试、文档与示例数据均为独立编写,不包含榜单项目源码或受限素材。 为什么需要这个工具 解析AI助手消息与工具调用日志,生成按时间排序的事件线、耗时分位数、错误节点清单,并对邮箱和令牌形态文本做脱敏导出。实际开发中,问题往往不在于“能不能写出一段脚本”,而在于输入是否可验证、结果是否可复现、异常是否能定位,以及输出
import bpysize=1.2register()将代码保存为,通过"Install"按钮加载后,在Add菜单中会出现新按钮。
解决“在需要sudo运行项目python代码的时候,显示有包缺失,正常使用pip安装包之后,还是显示缺失。结果发现使用普通的python运行能导入模块,但是在同样的虚拟环境下的sudo python显示找不到模块(ModuleNotFoundError: No module named 'pymavlink')”的问题
在实际项目中,我们经常需要定义自己的异常类型,让错误信息更加语义化。为什么需要自定义异常?提供更具体的错误信息区分业务逻辑错误和系统错误让代码更具可读性和可维护性# 基础:继承 Exception 类"""数据验证失败时抛出"""pass# 进阶:添加额外信息"""业务逻辑错误"""# 实战:完整的异常体系"""应用基础异常""""""配置相关错误""""""文件操作错误"""# 使用示例。
默认参数在定义时只创建一次,可变对象会被所有调用共享;不可变对象安全,可变对象危险。用我那个日志系统的例子来总结:**用history=[]**:像是给所有用户发了一本共同的日记本,A写的内容B也能看到**用**:像是每个用户发了一本全新的空白日记本,各写各的现在我写函数但凡默认参数是可变的(列表、字典、集合),一定用None做哨兵,在函数内部创建。这个习惯救了我无数次,希望也能救你。默认参数用不
MCP 是 Anthropic 提出的一个开放协议,定义了大模型和外部工具之间怎么通信。{"name": "read_file", "description": "读取本地文件", "input_schema": {"type": "object", "properties": {"path": {"type": "string"}}, "required": ["path"]}}MCP = 工具
把用户目标变成可执行、可验证、可控的步骤。它不负责执行,只负责规划。目标清晰步骤明确工具合法风险可控可被校验可被复用。
面试官问的是:"假设你让一个Agent跑一个批处理任务,要处理200份文档,跑到第137份的时候挂了,你怎么办?"他想了几秒钟,说那就重启一下从头跑呗。面试官有点惊讶,追问了一句:"那你昨天跑那137份的时间和token呢?"他一下子没接上话。面试官等了几秒,换了个角度说:"你有没有想过,怎么让任务'记住'自己跑到哪了,挂了之后能接着往下跑?"他想了一会儿,摇摇头说这个没认真想过。面试官点点头,没
从:workspace继承基本工作区权限。环境文件始终拒绝。生成目录只读。网络只开放需要的域。已为当前项目编写AGENTS.md(项目说明、命令、风格、禁止事项)知道App Settings、当前线程权限提示和当前列表是权限管理入口理解read-only、workspace-write、danger-full-access三种沙盒模式知道config.toml适合团队统一配置,新手先不需要能区分R
这道题非常有深度,它不是在问一个简单的概念定义,而是在考察你对 Agent 架构设计的实战理解。面试官想听到三个层次的东西:第一,你对短期记忆和长期记忆的定义和区别有没有清晰的认知;第二,你知不知道每种记忆具体怎么实现,背后用了什么技术;第三,也是最容易拉开差距的——你有没有在实际项目中处理过记忆相关的工程问题,比如上下文窗口不够用怎么办、长期记忆怎么存怎么检索。能把这三层讲通,面试官基本就能判定
先更新codex版本。
本文系统介绍了面向对象编程的核心概念及其在Python中的实现。主要内容包括:1)面向对象与面向过程的区别,强调"一切皆对象"的思想;2)面向对象三大特性:封装(隐藏实现细节)、继承(子类继承父类)和多态(同方法不同表现);3)类与对象的关系,类作为抽象模板,对象作为具体实例;4)关键语法:class定义类、self关键字指向对象实例、魔法方法(__init__构造、__str
本文介绍了Python中格式化输出的三种方式:占位符(%)、str.format()方法和f-string方法,并详细说明了每种方式的语法特点和使用示例。同时讲解了Python常见的算术运算符(加减乘除等)和逻辑运算符(and/or/not)的使用规则。最后阐述了字符串的基本操作,包括读取字符、切片、拼接以及获取长度等实用技巧。这些基础知识点对于提高Python编码效率和准确性具有重要意义。
本文对当前8大主流Agent SDK(LangChain/LangGraph、AutoGen、CrewAI等)进行了深度架构解析,从核心抽象、执行引擎、状态管理、工具集成、多智能体协作等维度展开对比。各框架在灵活性与易用性上呈现不同特点:LangChain生态丰富但学习曲线陡峭;AutoGen在多Agent协作上表现突出;CrewAI角色扮演机制简化开发;Semantic Kernel强调整合规划
你的Agent跑通了50个任务。每次成功之后,你把经验写成一份Skill.md,存进技能库。日积月累,库里有30份技能。你很满意。
Agent 执行失败了怎么办?失败就重试呗,死循环加个最大步数限制。还有别的要注意的吗?
逻辑:条件为True就重复执行代码;条件False,循环结束。
完成了工作流的构建:首先创建 UppercaseExecutor 和 ReverseTextExecutor 两个执行器实例,分别保存为 uppercase 和 reverse;然后以 uppercase 作为工作流起点,在 uppercase 和 reverse 之间建立执行顺序,使 UppercaseExecutor 的输出作为 ReverseTextExecutor 的输入;在 Agent
我大概是2024年秋季开始接触到agent,应该是算较早一批接触到agent的人,当时确认了agent必定在未来几年内有大的发展,即使当时的agent讨论的点还在于如何通过针对化的数据微调让大模型能够执行某一类特定任务,对提高大模型的agent能力还处于探索阶段。
本文详细介绍如何使用Python构建MQTT服务器及管理平台。首先解析MQTT协议特点(轻量级、发布/订阅模式、三种QoS等级等),然后提供两种实现方案:基于成熟开源broker Mosquitto的部署方法,以及使用Python自实现简易broker的核心代码。接着通过paho-mqtt开发客户端应用,并重点阐述基于Flask的可视化管理平台开发,包括WebSocket实时通信、设备管理、消息监
关闭顺序则反过来:先停 Gateway、health、scheduler,再停 channels、agent、bus,最后关闭 storage。先停外部输入,再让内部收尾,才能避免“通道还在收消息,但 Agent 或存储已经关闭”的半失败状态。
从Chatbot到Agent,LLMs 的上下文也变得更加复杂多样。之前的提示工程主要围绕系统和用户提示词,而如今的上下文工程还要处理状态、记忆、工具和结构化输出等内容及其之间的协同工作。在长期运行、多轮决策和工具协同的场景下,模型能否稳定发挥,往往取决于它所“看到”的上下文是否清晰、是否连贯、是否始终围绕当前目标展开。上下文不再只是输入的一部分,而是系统状态的集中体现。这也解释了为什么,在 Ag
【代码】Codex安装与VS Code联动技术文章大纲。
对于当前爆发式发展的大模型 Agent 系统而言,抗脆弱性已经从可选特性变成了落地的核心刚需。