搜索[Agent]结果-低调大师优秀个人博客

精选列表

搜索[Agent]，共10000篇文章

【WorkBuddy】自动化任务实战：把每天重复 3 遍以上的事，全部交给 Agent 定时打理

# 【WorkBuddy】自动化任务实战：把每天重复 3 遍以上的事，全部交给 Agent 定时打理 > 接上篇《数据周报实战》。

2026-09-26

独家拆解NVIDIA最新AI Agent实践：一个ROS 2节点如何完成零拷贝迁移

>摘要：NVIDIA用AI Coding Agent和专用Skill迁移ROS 2节点，让GPU数据尽量绕开CPU拷贝。

2026-09-24

把“每天一篇”交给 AI Agent：我的自动化产文流水线拆解

## 把“每天一篇”交给 AI Agent：我的自动化产文流水线拆解 ## 一、为什么要自动化：先消除启动成本每天固定产出内容，真正的阻力往往不是“写不出来”，而是两件事：今天写什么，以及别忘了去发。

2026-09-24

PR合并后Agent会话自动标记完成：省下的是列表空间，丢掉的可能是事故证据

Agent修完代码、PR合并，会话自动标记Done，过一段宽限期再删除。GitHub 9月18日周更新披露了这项可选预览能力。

2026-09-22

让 AI Agent 每天替你发文：三层护栏把"重复发布"和"401"挡在门外

## 让 AI Agent 每天替你发文：三层护栏把"重复发布"和"401"挡在门外做内容的人几乎都动过同一个念头：把"每天发一篇"这件事交给脚本或 Agent 自动完成。

2026-09-22

我以为只是聊天界面，8.1 万 Star LobeHub 竟把 Agent 变成可排班的 AI 团队

> 当 Agent 越来越多，真正让人疲惫的不是不会提问，而是要自己记住每个 Agent、盯住每个任务、来回搬运每份结果。

2026-09-20

Agent安全（智能体安全）是什么？从Forrester AI原生云安全报告，看企业智能体防护体系

配套的 **AI 安全中心**模块针对企业内部广泛使用的 AI Agent，提供从**资产盘点、Skill 检测、运行防护到沙箱管控**的全链路能力：支持采集终端 AI Agent 安装信息，给出 Agent

2026-09-20

#WorkBuddy# AI 终于会"说话"了：Google 把实时语音塞进 Agent，但真正被改变的是这群人

## 我的判断语音入口一旦成熟，Agent 的用户群会直接翻倍，因为最大的那道门槛（"我得会打字/会用 App"）被砍掉了。这是好事，尤其是对不擅长界面操作的人。

2026-09-19

一个 Agent 不够用？AutoGen 多智能体实战：让一队 AI 替你干活

它解决的核心问题就一句话：**让多个各司其职的 AI Agent 通过对话协作，完成单个 Agent 搞不定的复杂任务**。 --- ## 一、为什么单体 Agent 会撞墙？先说说我踩过的坑。

2026-09-18

腾讯云实战案例：某技术团队用 Honcho 让 DSH Agent 记住 12 个项目的上下文

HONCHO_URL=http://honcho.internal:8000 export HONCHO_API_KEY=team-key ``` #### 第四步：团队规范制定规则：新项目第一次跟 Agent

2026-09-18

# MCP实战：让AI Agent自己查航班、天气和延误风险，航班管家DAST是怎么做的？

所以我们最终选择把 Tool Routing 显式写进 Agent 文档。

2026-09-17

AgentOS + Harness + MCP 都火了：测试工程师真正该补的，是这套 Agent 质量工程能力

这种方式放在聊天机器人阶段还能勉强成立，但到了 Agent，就明显不够用了。假设公司做了一个运维 Agent，用户说：“帮我看看线上订单服务为什么突然变慢了。”

2026-09-16

AI Agent 会话一长就失忆？上下文管理 4 种策略的取舍与落地对照

> 导读：做 AI 客服、AI 助手最常收到的投诉是："前面明明说过的信息，聊到后面它全忘了。"这不是模型变笨了，而是上下文没管好。这篇文章给你一套可落地的上下文管理方案：先讲清楚"失忆"的底层原因，再用一张对照表讲清滑动窗口、优先级截断、摘要压缩、向量记忆四种策略各自适合什么场景，最后附可直接抄走的实现要点与踩坑清单。全文为通用工程做法，不绑定任何平台，拿来就能用。 ## 一、为什么会"失忆"：窗口有限，而对话无限大模型对单次请求能处理的文本量是有限的，这个上限就是上下文窗口。一次完整请求要把"历史对话 + 当前问题 + 系统指令"全部装进窗口里，对话轮次越多，占用的空间越大，超出窗口的部分只能被丢弃。被丢弃的往往是最早的信息——而用户最早说的恰恰是需求、背景这类关键内容。更隐蔽的是"中间遗忘"现象：模型对开头和结尾的记忆明显好于中间，即便信息没被丢弃，落在中段的细节也容易在回答时"想不起来"。所以"失忆"本质上是两个问题：信息被截掉，和信息被稀释。理解了这一点，上下文管理的目标就很清楚：在有限窗口内，尽量保留"最可能被用到"的信息，而不是机械地保留"最新的信息"。 ## 二、四种策略对照：先理清取舍，再实现 |策略|原理|优点|缺点|适合场景| | --- | --- | --- | --- | --- | |滑动窗口|只保留最近 N 轮，更早的直接丢弃|实现最简单、开销最低|早期关键信息必丢|短会话、闲聊型、对历史依赖弱| |优先级截断|按"重要程度"排序，低优先级先被淘汰|关键信息存活率高|需要给消息打重要性标记|有明确业务规则、可人工标注的场景| |摘要压缩|把早期对话实时压缩成摘要|信息留存率明显提升|有压缩开销与信息损失|长会话、需要连续理解上下文| |向量记忆|历史事实写入向量库，按需检索注入|理论上可存无限历史|工程复杂度最高、有召回误差|强依赖历史事实的垂直场景| 四种策略不是互斥的，生产环境几乎都是组合使用，这一点后面展开。 ## 三、滑动窗口与优先级截断的实现要点滑动窗口最容易写错的地方是"按轮次切"还是"按 token 切"。按轮次切实现简单，但遇到一条超长消息（比如用户粘贴一大段日志）就会瞬间挤爆窗口；建议按 token 预算切，给系统指令和当前问题预留固定额度。 ``` // 滑动窗口：按 token 预算裁剪历史 function buildMessages(history, systemPrompt, maxTokens) { const budget = { system: 0, history: maxTokens - estimateTokens(systemPrompt) - 200 }; const kept = []; let used = 0; for (let i = history.length - 1; i >= 0; i--) { const t = estimateTokens(history[i].content); if (used + t > budget.history) break; kept.unshift(history[i]); used += t; } return [{ role: "system", content: systemPrompt }, ...kept]; } ``` 优先级截断的核心是给每轮消息打"重要性分"：比如用户明确给出的约束（"不要推荐超过预算的方案"）记高分，纯寒暄记低分；窗口满时按分数从低到高淘汰，同时保证"用户最新一条"永远保留。 ## 四、摘要压缩与向量记忆：长会话的进阶方案摘要压缩的思路是：每当历史超过阈值，就把"最旧的对话块"交给模型总结成一段摘要，之后用摘要代替原文参与后续对话。 ``` // 摘要压缩：旧对话块 → 一段摘要 async function compressOldest(history) { const block = history.splice(0, 6); // 取最旧 6 条 const summary = await summarize(block); // 调用模型生成摘要 history.unshift({ role: "system", content: `历史摘要：${summary}` }); return history; } ``` 注意摘要要"可增量更新"：新摘要应基于旧摘要加新对话生成，而不是每次从头总结，否则长会话后期每次都要重算全部历史，既慢又贵。向量记忆适合"事实型"信息：用户报过的手机号、偏好的地址、之前确认过的规格，都值得写入向量库；每轮对话前按当前问题做一次检索，把命中结果拼进提示词。它的代价是引入一次额外的检索链路，因此要做召回兜底——检索不到时宁可不用记忆，也不要注入错误事实。 ## 五、生产组合拳：近全量 + 摘要 + 按需检索落到生产，推荐这样组合：最近 2～3 轮全量保留；再往前的历史维护一份滚动摘要；涉及用户画像、订单、偏好等强事实数据，独立走向量检索按需注入。三部分拼起来再进窗口，既保证连贯性，又控制体积。关键是要给每段内容打上来源标签，方便排查"这条信息是哪来的"。 ## 六、踩坑清单 - 只按轮次切窗口，被一条超长消息挤爆预算； - 摘要每轮全量重算，长会话耗时爆炸； - 向量记忆无兜底，检索不到时注入过期或错误事实； - 系统指令被历史挤出窗口，模型突然"忘了自己的身份"； - 只测 3 轮以内的短对话，上线后被长会话打回原形； - 没有记录每轮 token 用量，窗口爆了才发现。 ## 七、工程落地建议落地顺序建议从简到繁：先埋点，把每轮对话的输入输出 token 用量、窗口占用率记录下来；再上滑动窗口，满足大多数短会话场景；当"长会话失忆"成为真实投诉后，再升级摘要与向量记忆。开源向量库、自研摘要服务都可以，核心是先建立度量，让每次改动都有数据说话。上线前用"20 轮以上的长对话脚本"做回归，模拟真实使用强度。如需将上下文管理方案快速落地到业务会话中，可参考乔拓云轻应用产品。 ## 八、复盘清单 - 上线前：是否记录 token 用量？窗口预算是否给系统指令留了余量？ - 上线后：长会话失忆投诉是否下降？摘要准确率是否有抽查机制？ - 每次模型升级：重跑长对话回归，确认窗口策略仍然成立。 > 结语：上下文管理没有银弹，本质是在"保留什么、丢弃什么"之间做取舍。先度量、再分步升级，比一上来就上最复杂的方案更稳妥。本文与《企业知识库问答老答错？一张排查清单分清"检索问题"还是"生成问题"》同属 AI 工程落地系列，可对照阅读。

2026-09-14

FDE进化36记-第36记-Agent数量越多越好吗，全球客服ROI到底怎么算？

# FDE进化36记-第36记-Agent数量越多越好吗，全球客服ROI到底怎么算？

2026-09-12

拆字节开源的 Midscene.js：GUI Agent 做 UI 测试，为什么可以不写选择器

Midscene.js 这类 GUI Agent 的思路，是用自然语言描述意图、让视觉模型看着截图找元素，从根上绕开选择器这条脆弱链路。

2026-09-11

88小时、1万个agent，OpenAI宣称解出Navier-Stokes：附带一场优先权争议

**用厂商的agent做核心研发，你的中间产物可能在喂养厂商的模型**。「供应商数据回流风险」应该和vendor lock-in一样，写进选型与合规评估清单。中国侧同天有个更务实的信号。

2026-09-10

一个长期在线的个人 AI Agent，可以是什么样？

> Agent 能够帮助用户管理邮件、关注日程、整理新闻、编写简报……这些似乎越来越成为一个 Agent 的标配。

2026-09-09

企业级 Data Agent 分析报告自动化指南：经营例会从手工拼表到智能生成

更进一步看，企业之所以重视“Data Agent 分析报告自动化”，是因为分析型 Agent 已经开始具备跨步骤承接工作的能力。

2026-09-09

网页聊天、自动化任务与本地 Agent 对比

**任务需要读取本机文件、调用操作系统能力，或进行跨系统的动态多步规划：优先选本地 Agent。** 4. **三种入口不是三选一。

2026-09-08

从意图识别到销售型Agent的架构设计

当前腾讯云开发者社区关于智能客服Agent的实践也普遍将上下文管理、知识检索、业务API和人工接管作为完整客服智能体的重要组成部分。

2026-09-07

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。