搜索[Agent]结果-低调大师优秀个人博客

精选列表

搜索[Agent]，共9665篇文章

企业 Agent 落地的两场战争：内部经营闭环与 ToB 外部规模赋能

本文章中的“企业内部 Agent”指企业为自身员工和业务流程建设或采购的 Agent；“ToB 外部赋能”指向其他企业出售 Agent 产品、平台、解决方案或运营服务。

2026-10-02

GEO的终极形态：接入AI Agent生态，让品牌成为大模型的“默认执行工具”

在前三篇文章中，我们探讨了如何让AI“认识你”（实体消歧）、“收录你”（内容分发）、“推荐你”（可见性度量）以及“不造谣”（幻觉修复）。但这一切，都还停留在 “信息检索与文本生成” 的层面。

2026-10-01

构建你自己的 AI Agent 发行版：从 Profile 定制到生产部署全流程

系列：DeepSeek Harness 源码实战｜进度 16/16 原文仓库：https://github.com/deepseek-ai/deepseek-harness

2026-09-28

别再把所有东西塞进 Context：Agent 真正需要的是可装配的记忆

当 Agent 忘记项目背景时，最直接的反应通常是：把更多内容放进 Prompt。

2026-09-28

基于 WorkBuddy 的生产力级 AI Agent 实践：跑通本地文本分析 Skill

过去一年，AI Agent 工具的能力边界一直靠两样东西撑着：大模型本身和function calling（工具调用）。

2026-09-28

百度地图：当Agent开始出行，地图正在变成AI的“空间基础设施”

Agent。

2026-09-28

分布式 A2A：企业 Agent 基础架构的复杂度与必然性

当第二个 Agent 出现在你的系统里，复杂度不是 +1，而是 ×N。

2026-09-28

Codex + Seed-2.1-pro 实测：多模态理解 + Coding Agent 能扛住真实仓库吗?

前阵子在改一个拖拽布局的问题——react-grid-layout 的 Issue #2161：开发者给新卡片设 y: Infinity，希望它排到最底下，结果在 horizontal 和 null 两种模式下，新卡片直接跑到了网格左上角，盖住了已有内容。页面上一眼就能看出问题，代码里却要绕好几步。正好看到火山方舟的 Seed-2.1-pro 推了 0915 这一版的升级，就想着把它接进 Codex CLI 试试，看这个真实 Issue 能不能修。

2026-09-26

把四个 Agent 的历史并进 DSH 之后，检索和上下文变了什么

我的会话历史长期散在四处：Claude Code 在本地目录里攒着，Codex 留了一批，Cursor 的对话绑在项目上，ChatGPT 靠导出包存着。四份历史、四套检索方式，想找某次结论得挨个翻。后来我把它们统一并进一台腾讯云 CVM 上跑的 DeepSeek Harness（DSH），CVM 当收口点。下面是并进去之后真实发生的变化。用的是聊天记录导入器（Nwflower/dsh-chat-import，Star 198）：README 称它能「一键导入外部 Agents 的聊天历史并在 DeepSeek Harness 中继续对话」，导入结果是 resumable sessions（可恢复会话），并支持全保真、反向导出/同步与 bundle 备份。站点标注「可直接安装」，L4 真实安装验证（2026/9/18），信任档位「已验证」，npm 包为 dsh-chat-import @ 0.19.3。

2026-09-25

AI 搜索工具推荐：当你的 Agent 需要联网，搜索这一层该怎么搭

你有没有遇到过这种情况：把一个问题丢给 AI，它答得头头是道，价格、数字、出处张口就来；可你顺手翻到官网，发现价格过期了、产品改名了，甚至那份被反复引用的 "权威报告" 根本不存在。

2026-09-24

AI 智能体（AI Agent）是什么？从 Muse 看懂下一代 AI 形态

随着 Muse 登顶 App Store，「AI 智能体（AI Agent）」这个词突然进入了大众视野，我身边不少人开始问它到底是什么。我给的定义很简单：AI 智能体是能理解目标、自主规划并执行多步骤

2026-09-23

Agent Loop + Graph Engineer 工程化：25 行代码搭一个图分析服务

很多团队做知识图谱，停在“画关系图”阶段：PPT 上节点连线很漂亮，一到生产就查不动、算不快、服务不稳定。 Graph Engineer（图工程师）的价值，就是把这些关系变成可查询、可计算、可服务、可治理的工程资产。

2026-09-23

Hermes 与 Agent 工程实战：从模型选型到生产级智能体的完整代码实现

摘要：Hermes 是 NousResearch 推出的开源大模型系列，因其原生函数调用（Function Calling）、结构化输出、强指令遵循能力，成为 Agent 工程中极具性价比的基座。

2026-09-22

Agent Harness 演进：六级阶梯，一篇讲清该长到哪一级

上一篇我们把 Java 侧六个框架分成了三层台阶，最后留了个尾巴：选完层之后，这套东西该长多大。

2026-09-22

当一切交由Agent，用户不再打开你的后台，SaaS 还值钱吗？

过去，这可能会被客户成功团队视为一个危险信号：运营人员不再活跃，功能使用率下降，续费似乎也需要关注。

2026-09-22

哑巴模型爆红：当 AI 不再生成文字，Agent 的"控制平面"正在独立

2026 年 9 月 15 日，TypeSafe AI 发布了一个新模型，叫 Jev。它没有对话框，不能聊天，写不出一个完整的句子。你给它一段状态描述和几个问题，它不回答你，只回几个数字和一个选项。就是这样一个"哑巴模型"，在 Hacker News 上拿到了 1917 分、超过 500 条评论。LangChain 在两天后写了集成指南，Vercel 把它接进了 AI Gateway，社区里冒出一堆围绕它的实验项目。一个不会说话的模型，为什么值得这么多人认真讨论？它把"生成"这一步整个删掉了我们先看现在的通行做法。假设要判断一条客服消息是不是紧急、该转给谁、用户情绪如何，常见写法是把消息丢给大语言模型，让它输出一段 JSON： ```json {"urgent": true, "department": "billing", "emotion": "frustrated"} ``` 程序拿到这段字符串，再解析、再校验 schema，然后才能用。TypeSafe 官方文档对这件事的说法很直接：我们在把一个擅长生成文本的系统，硬拗成输出结构化判断，然后再把结果解析回代码能依赖的形式——这本身就是一次错配。 Jev 的做法是把中间那步砍掉。调用方提交两块内容：`state`（需要判断的当前状态，可以是字符串、对象或数组）和 `questions`（针对状态提出的类型化问题）。返回的是结构化数值和概率分布，官方给自己的定义是一句话： Unstructured state in, typed probabilistic decisions out. 没有长文本生成，没有 JSON 解析，也不需要模型额外"写一句话解释一下"。它在文档里被称作 TypeSafe 的第一个 System One 模型——借用认知心理学里"快思考 / 慢思考"的比喻，生成式大模型负责慢思考，它负责毫秒级的直觉反应。三种原语，都很小 Jev 目前只提供三种问题类型，官方叫 primitives： Choice：从调用方给出的候选项里选一个。返回 `choice`、`probabilities` 和 `confidence`。比如"这张工单该给哪个团队"，候选是 billing / technical / human_review 三选一，它回你 `human_review 0.65`。 Score：按调用方给的评分标准（rubric）打分。比如风险等级 0 到 3，它返回分值和概率分布。 Noul：判断一个命题成立的程度，返回 0 到 1 的数值。你问"这个操作危险吗"，它不回"我认为可能危险"，而是直接给 `risk_probability = 0.87`，程序可以立刻写成 `if risk_probability > 0.8: require_confirmation()`。三种问题可以在一次请求里混着问，彼此独立评估同一份 state，加问题几乎不增加响应时间。这里有一个设计细节值得记下来：候选项不是模型在云端临时创造的，而是调用方给的。它们通常来自代码里的固定枚举、配置中心的规则、或者当前用户有权调用的工具集合。模型只在给定边界内判断"选哪个"，而"能不能执行"仍然属于你自己的代码。真正值得关注的不是快，是校准过的置信度官方公布的典型推理延迟大约 70–500 毫秒，定价约每百万输入 token 0.042 美元，输出不收费——因为压根没有传统意义上的 output token 生成。相比一些传统模型，官方称在适合 System One 的任务上有几十倍到近两百倍的速度优势。但速度其实不是重点。重点是另一个词：Calibrated Confidence，校准过的置信度。今天让大模型判断一件事，它很容易给你一句"我有 95% 的把握"。问题是，这个 95% 通常只是它生成出来的一段文本，不意味着它在长期上真的有约 95% 的正确率。Jev 用了一种叫 RLCD（Reinforcement Learning for Calibrated Decisions）的训练方式，训练目标除了"选对答案"，还包括"知道自己有多确定"。这件事对自动化的意义在于：成熟系统的控制流不该只有是 / 否两态，而应该是高置信自动执行、中置信再验证、低置信交给更强模型或人。置信度本身成为程序分支的一部分。需要说清楚的是，这不解决"模型一定对"的问题。官方资料和多位实测者都强调过同一个边界：置信度阈值必须用你自己的数据去标定。有工程师在落地笔记里写得很直白——他把 0.9 设为本地采纳门槛，同时补了一句"0.9 是我们人为设定的门槛，绝不代表模型有九成的真实准确率"。它不是替代 LLM，而是把 LLM 从一些位置上挪开 Jev 发布后，社区很快找到了几个稳定的落点，规律非常一致：大家几乎不让它写文

2026-09-22

极致IT Agent Loop与Graph Engineering：从单点执行到系统协同的工程化跃迁

在AI Agent技术快速演进的今天，工程实践的关注点正经历着一场深刻的范式转移。

2026-09-20

WorkBuddy：从“AI助手”到“Agent操作系统”的生态跃迁与工程化实践

2026年9月2日，腾讯WorkBuddy开放平台正式上线，首批引入超百家生态伙伴，面向智能硬件、行业应用与开发者开放底层Agent能力。

2026-09-19

Vibe Coding 实践分享：用 AI 构建本地写作 Agent 的架构设计与技术选型

最近完成了一个名为墨参（MoShen）的开源项目——一个本地优先的个人写作 Agent，面向长篇小说创作者。

2026-09-19

AI 应用与智能体开发：从 LLM 调用到生产级 Agent 系统的专业实践

AI 应用与智能体（Agent）开发正在从“调用大模型 API”走向“构建具备感知、规划、行动、记忆与协作能力的自治系统”。

2026-09-18

资源下载

更多资源

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

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。

精选列表

企业 Agent 落地的两场战争：内部经营闭环与 ToB 外部规模赋能

GEO的终极形态：接入AI Agent生态，让品牌成为大模型的“默认执行工具”

构建你自己的 AI Agent 发行版：从 Profile 定制到生产部署全流程

别再把所有东西塞进 Context：Agent 真正需要的是可装配的记忆

基于 WorkBuddy 的生产力级 AI Agent 实践：跑通本地文本分析 Skill

百度地图：当Agent开始出行，地图正在变成AI的“空间基础设施”

分布式 A2A：企业 Agent 基础架构的复杂度与必然性

Codex + Seed-2.1-pro 实测：多模态理解 + Coding Agent 能扛住真实仓库吗?

把四个 Agent 的历史并进 DSH 之后，检索和上下文变了什么

AI 搜索工具推荐：当你的 Agent 需要联网，搜索这一层该怎么搭

AI 智能体（AI Agent）是什么？从 Muse 看懂下一代 AI 形态

Agent Loop + Graph Engineer 工程化：25 行代码搭一个图分析服务

Hermes 与 Agent 工程实战：从模型选型到生产级智能体的完整代码实现

Agent Harness 演进：六级阶梯，一篇讲清该长到哪一级

当一切交由Agent，用户不再打开你的后台，SaaS 还值钱吗？

哑巴模型爆红：当 AI 不再生成文字，Agent 的"控制平面"正在独立

极致IT Agent Loop与Graph Engineering：从单点执行到系统协同的工程化跃迁

WorkBuddy：从“AI助手”到“Agent操作系统”的生态跃迁与工程化实践

Vibe Coding 实践分享：用 AI 构建本地写作 Agent 的架构设计与技术选型

AI 应用与智能体开发：从 LLM 调用到生产级 Agent 系统的专业实践

资源下载

腾讯云软件源

Nacos

Spring

Rocky Linux

欢迎您来访！