登录社区云,与社区用户共同成长
邀请您加入社区
开源汇总32个数学建模AI Agent、Skills、优化求解工具、算法代码、论文模板与历年赛题资源,提供中英文说明、固定Commit下载链接、批量下载脚本及SHA-256校验记录,帮助CUMCM、MCM/ICM学习者按任务选择并复现工具链。
Agent Phone Call 给每个 AI Agent 一个专属虚拟电话号码,让 Agent 具备"通过电话把事情办成"的能力:查找联系人、研究办事流程、拨出电话、完成任务、汇报结果;同时支持接听来电、过滤骚扰电话、充当 24/7 AI 前台接待。官方适用场景:订餐厅、订酒店、联系客服(投诉/咨询/改签)、批量安排面试、接听来电与来电规则设置、自定义应答话术、查询通话记录/录音/余额。不适用场
去年带团队做一个内部客服 Agent 项目,功能测试一把过,上线第三天却炸了——用户在对话里被诱导说出了不该说的话,系统日志里找不到任何权限校验痕迹。后来我才明白,传统测试那套思路在 LLM 面前根本不够用。这篇文章复盘那次翻车经历,以及我们怎么把 Agent 测试从"验证回答对不对"升级到"验证系统能不能兜住底"。---从测试岗位转大模型方向,最大的转变不是技能树,是思维方式。传统测试关注"系统
GPT-6 Astra · Claude · Lean · Chrome · CVE-2026-85046 · MCP · AWS Lambda · Project Zenith · Spanner · VMware · AI Agent · 网络安全
Agent安全是一个持续演进的过程。攻击者的手法不断翻新,防御方也需要建立多层纵深防御体系。核心原则是:不信任任何输入(包括用户输入和外部数据)、最小权限操作工具、全程监控审计。只有在安全基础上构建的Agent应用,才能真正在企业级场景中落地。
AI Agent 可观测性不是可选项,而是生产级 Agent 应用的必备能力。快速定位多步推理中的故障根因持续评估模型行为是否符合预期为合规审计提供完整的推理证据链随着 Agent 应用走向复杂化,可观测性体系也将从「能用」走向「好用」,成为 Agent 工程质量的基础设施。
版本锁定文件说明你用的规范和 SDK,测试说明服务在什么输入下如何反应,权限矩阵说明谁可以读、写和审批。官方描述了三类值得做的对象,分别是公众需要发现的数据集、居民会使用的服务,以及支撑重要决策的接口。一个能交付的项目,至少要有可运行的服务器、清楚的工具说明和一套本地测试步骤。生产化时,DATA 这样的内存字典要换成受控的数据访问层,数值也要带单位、时间口径和来源标识。数据工具的验收要覆盖口径和错
你对AI说帮我订杭州西湖附近500以内含早的酒店,这句话背后有六道关。每一步都可能出问题。每一步出问题,用户体验就崩了。我把这六道关拆开讲清楚,你就知道为什么做一个旅行AI Agent比想象的难。
很多团队在做 AI Agent、SEO 工具、跨境选品、竞品监控时,都会遇到同一个问题:**搜索结果很重要,但把搜索结果稳定地接入系统并不容易。**直接爬 Google 页面,往往要面对反爬、验证码、页面结构变化、地区语言差异等问题。对于开发者来说,这些都不是业务本身,却会消耗大量工程时间。如果你希望把 Google 搜索结果变成可以直接进入系统的数据,Ace Data Cloud 的 *
# 一次请求拿到结构化 Google 搜索结果:Ace Data Cloud SERP API,让 SEO、跨境和 AI Agent 少走弯路在做 SEO、跨境选品、竞品监控、内容选题,或者给 AI Agent 接入实时信息时,很多需求的第一步其实都只有两个字:**搜索**。但如果你真的自己去抓 Google 搜索页,很快就会遇到一堆工程问题:页面结构经常变化、反爬策略复杂、验证码不可控、
AI Agent 的核心竞争力并不是拥有更多 Context,而是能够在正确时间获取正确的信息。本文探讨 Context Engineering 的设计原则,分析过量上下文带来的注意力竞争、信息冲突和行为偏差问题,并介绍如何通过 Step 级信息筛选、Planner/Worker 角色隔离、Reviewer 独立验证以及 Sub-Agent 任务包设计,构建高效、精准、可扩展的 Agent 上下文
很多 Agent 会查资料、调接口、写文件,但会用工具,不等于能持续推进一项工作。本文从企业落地视角出发:Context 与 Prompt 不是一回事;Tools、Capability、Authority、Responsibility 各管什么——有工具、有能力、有权限、肯负责,是四件不同的事;执行结果为何必须写回工作状态;Workflow 与 Agent 如何协作;Skills 和 MCP 在完
OpenAI · Astra · 网络安全 · Daybreak Blue · AI Agent · 身份治理 · 最小权限 · DevSecOps
从 Prompt Engineering、Context Engineering 到 Harness Engineering,拆解 AI Agent 的知识、工具、状态、测试、观测、权限与反馈闭环,并结合 OpenAI、Anthropic 实践给出企业落地路线。
AI Agent修一个小问题,为什么经常最后改出一个巨大Diff?本文从任务边界、公共模块、最小修改原则、可选优化和影响范围控制等方面,解析Agent自动改代码时最容易出现的“修改过度”问题。
AI Agent执行长任务时中途断掉,为什么恢复后经常重复扫描、重复修改甚至推翻之前结果?本文从Checkpoint、任务状态、阶段性Commit和恢复流程等方面,解析长任务如何做到可暂停、可恢复。
AI Agent明明提示任务已完成,为什么开发者仍然不敢直接合并?本文从测试证据、Build、Diff检查、未验证项和交付清单等方面,解析Agent任务从“代码写完”到“真正可交付”的关键差异。
接入真实环境时,先把HMAC替换为Cloud KMS的非对称签名,再为每个Agent配置独立Service Account。私钥由HSM保护,应用拿到的是受权限控制的签名能力,不是可复制的密钥文件。下面的程序可以直接用Python运行,它用本地HMAC模拟签名服务,并把业务阈值放在入口检查里。本文沿着一次退款请求的路径来拆解这套做法,先看谁有权写入,再看代码能跑到哪里,最后看业务规则在哪里拦截。模
AI Agent同时处理多个任务后,为什么分支越来越难合并?本文从任务隔离、分支过期、公共模块冲突、主分支同步和任务拆分等方面,解析多Agent开发中的Git工作流问题。
AI Agent修完Bug以后,为什么Diff里经常留下大量日志、Mock和临时配置?本文从调试过程、Cleanup、Diff审核和任务收尾等方面,解析如何让Agent最终只保留真正必要的代码修改。
AI Agent 系统设计与多 Agent 协作架构”不是一个可以直接优化的指标。开始前应明确目标对象、受影响请求、输入边界、依赖服务和验收标准。涉及质量时,应准备带有判定规则的样本,而不是只凭主观印象。
AI Agent能调用的搜索、终端、测试和代码工具越来越多,为什么工具越多反而更需要正确的执行顺序?本文从搜索、日志、测试、终端和代码修改等环节,解析Coding Agent如何选择更合理的工具路径。
AI Agent执行长任务为什么容易出现“前面正确、后面跑偏”?本文从任务状态、阶段目标、Checkpoint、任务边界和进度清单等方面,解析长任务中保持Agent执行方向稳定的方法。
本文深入解析Agent流式交互的工程实践,指出“能跑通”不等于“能用”。重点阐述三层流式(Token/步骤/动作)、SSE底层机制、可打断设计、结构化输出流式化及生产级重连/背压/幂等方案,并对比LangGraph、Vercel AI SDK等框架实现,助力Agent从Demo迈向可用产品。
Agent 怎么验收?考卷选「约束敏感型」任务(无约束不自觉、有约束会遵守),六维评估(成功率/达标率/修正/成本/稳定性/退化),取证可复现。v1 考卷漏「事实准确」用例,格式全对但事实错误的输出满分通过——报告类任务必带事实核对。
多轮对话里,Agent 会记住你说过的要求并跨轮执行——「对话即约束」,8 轮对话链 30/30 用例全过。但「先查技能」这类行为纪律不靠对话形成,必须靠配置。8 轮内无退化,重要要求说一句「写入记忆」更稳。
200 多次实验的结论汇总成七条铁律:结构化约束、纪律进身份、记忆粗粒度、触发词精准窄、小技能单文件大技能拆 refs、约束有甜点区、验收用考卷+六维。每条带实测数据和适用边界,可直接复制使用。
配置不是越多越好。四层约束全家桶成本 2.66×、纪律稀释;单层结构化 1.44× 达标率就到 100%。交付包按形态分档:多轮对话配纪律层+记忆,单轮自动化配全套——别全家桶。
针对 Petrel 建模 “复杂拓扑保精度就难以自动化,追求自动化就要牺牲地质保真” 的痛点,本文提出 AI Agent 双链路迭代架构。依托统一中台,由 Agent 智能判别模型拓扑复杂度,自动选择 VBM 人机协同或外部隐式全自动化链路。复杂构造复用 VBM 保证地质质量,常规场景实现无人批量迭代,兼顾工程可靠性与迭代效率,为地质建模数智化提供落地方案。
Skills是让Agent从"被动应答"进化为"主动执行"的核心技术,通过封装特定任务的领域知识、操作流程和工具调用方式,使Agent能像专家一样高效执行复杂任务。文章详细解析了Skills的工作原理、与其他概念的区别、优质Skills的打造方法,以及官方与社区资源推荐。Skills采用渐进式加载和智能调用机制,解决了规则失效、执行失控等问题,让AI从"对话助手"转变为"可信赖的执行者",降低了普
2025年是AI Agent落地的"大考之年"。文章解析了企业AI Agent落地的四种典型形态:技术编排流(灵活需自建)、模型生态流(通用但业务浅)、独立极客流(快速但风险高)和业务底座流(原生集成)。企业需根据研发能力、业务需求和IT现状选择合适路径。AI转型应从小切口入手,静水深流,将智能融入业务流程,成为组织肌体的一部分,而非简单叠加。
2026年AI Agent进入工程化落地阶段,57%企业已实现生产部署。应用从内部提效转向外部创收,面临质量、延迟和安全等新挑战。开发者需构建包括架构升级、高级检索、多模型协作、全链路观测、评估驱动开发和零信任安全在内的完整工程体系,才能实现AI Agent的规模化应用。工程纪律将决定AI Agent的成败。
文章分析了2025年企业数智化转型中AI Agent的应用实践,通过客服、数据分析、营销三大场景的19个企业级案例,展示了"大模型×好数据×强场景"的黄金公式。AI Agent从概念落实为数字员工,通过人机协同新模式,为企业创造竞争优势。客服Agent释放50%人力,分析Agent让一线员工也能拥有数据分析师能力,营销Agent实现精准营销提效超1倍。未来企业竞争将是"人机协同网络"的竞争,率先拥
文章阐述AI Agent开发从"提示工程"向"上下文工程"的转变。提示工程关注单次交互指令设计,而上下文工程注重整个任务生命周期中的信息环境管理。高效上下文需平衡系统提示、设计精良工具、提供精炼示例和智能管理历史。面对长时程任务,可采用压缩、结构化笔记和子代理架构等策略。开发者需从"交互设计者"转变为"信息架构师",才能构建出性能更佳、更具任务理解力和执行稳定性的AI Agent系统。
AI智能体领域正经历爆发式增长,2024年融资达38亿美元,几乎是2023年的三倍。市场分为三大板块:基础设施层(开发工具与信任工具)、横向通用应用层(客户服务和软件开发)和垂直应用层(金融、医疗、工业)。用户信任是全自主智能体的最大壁垒,需通过透明化、人类监督等方法构建。未来趋势包括通用应用头部集中化、垂直应用细分机会凸显和生态协同成为关键。
用户在豆包工作中可根据自己的任务需要扩展能力边界,调用不同的工具和外部能力来处理复杂流程,这些工具覆盖了数据分析、内容策划、科研、金融等多个不同专业方向。尽管大模型足够擅长总结和推理,但真正的阻碍常常发生在AI开始工作之前——客户刚改了什么需求、上周会议形成了什么结论、最新方案是哪一版、谁在负责推进、流程卡在哪个审批——这些决定判断的信息,不会天然出现在Agent的对话框里。企业真正大量的效率损耗
约束文件不是「写了就有效」。三变体 36 次实验对比:结构化写法(要求/禁止成对)达标率 100%、成本 1.44×;一句话铁律成本 2.28×,还出过事实错误。约束还分三层——项目级管输出、全局级管纪律、记忆管信息,放错层执行强度差 3 倍。
同一个模型,有人配的 Agent 指哪打哪,有人配的却脱缰野马。本文用 200 多次对照实验研究 Agent 配置——约束文件、记忆、技能、交付包、多轮对话,每一层都有实测数据和可复现的方法。系列八篇,从「AGENTS.md 怎么写」到「怎么验收」,给你一套可验证的配置方法论。
记忆写多了没用,写少了也没用。48 次实验发现:粗粒度记忆(5 条一句话偏好)成本比不写还低 20%;纪律写进记忆触发弱,写进身份文件触发 3/3;自主沉淀质量高但会把猜测当事实——只沉淀验证过的事实。
Python与AI Agent之间有着密不可分的关系。作为当前人工智能领域主流的编程语言,Python凭借其简洁的语法、丰富的科学计算库(如NumPy、Pandas)以及强大的AI框架支持(如TensorFlow、PyTorch、Hugging Face),成为开发AI Agent的首选工具。本节讲解面向Python的相关编程工具Miniconda、PyTorch与PyCharm的安装。