- 综合排序
- 最热优先
- 最新优先
AI Agent 工程化转向可观测执行
本文整理自「AI不是玄学」技术专栏内容，面向正在把AIAgent接入真实业务系统的开发者。重点不放在概念热度，而放在工程落地时必须回答的三个问题：任务怎么执行、过程怎么观测、失败怎么接管。 但进入生产环境后，团队真正关心的是另一组问题：Agent为什么选择这个工具？工具调用参数从哪里来？中间状态有没有保存？失败后能不能重放？人工接管时能不能看懂上下文？ 一、从Token输出转向任务执行LangChain相关生态最近持续强调Agent流和任务执行过程，本质上是在把大模型输出从“文本结果”推进到“可观测的执行链路”。 建议把Agent任务拆成三类：任务类型示例执行策略观察型查状态、读日志、拉取列表可自动执行生成型写摘要、生成报告、整理清单可自动执行但保留草稿变更型改配置、发内容、删资源必须确认或审批这套分类比单纯追求低延迟更重要 生产环境里的Agent不是越快越好，而是应该在正确的位置快，在高风险位置慢下来。
22110编辑于 2026-05-25- 来自专栏AI技术探索和应用
LangChain Agent执行原理分析
执行一个计算斐波那契数列第10个数的任务的代码如下： class PythonREPL: """Simulates a standalone Python REPL.""" number\nAction: Python REPL\nAction Input: fibonacci(10) 然后调用工具去执行Action Input中fibonacci(10)，返回name \n return 1\n else:\n return fibonacci(n-1) + fibonacci(n-2)" 工具把Action Input中的内容进行执行 fibonacci number\nAction: Python REPL\nAction Input: fibonacci(10)" 工具把Action Input中的内容fibonacci(10)进行执行 具体的执行日志如下： =====chain run===== > Entering new AgentExecutor chain...
6.9K40编辑于 2024-03-13 如何通过间接注入让企业AI Agent执行恶意指令？
当你的企业部署了AI Agent来处理邮件、总结文档、查询数据库,你可能以为只要在系统提示词里写清楚“不要执行危险操作”、“不要泄露敏感信息”就万事大吉。 目录 防御策略:从守住入口到隔离上下文 检测方法:从规则匹配到意图分析 架构设计:从信任数据到零信任执行 实战指南:如何构建抗注入的AI Agent 一、从守住入口到隔离上下文 输入过滤的天然盲区 很多安全团队的第一反应是加强输入验证 当AI助手总结邮件内容时,它读取了完整的HTML源码,包括那些人眼看不见的指令,并忠实执行了。 上下文隔离的防御逻辑 先进的团队已经意识到:AI Agent的上下文是攻击面,而非可信输入。 三、从信任数据到零信任执行 全权委托的风险暴露 早期的AI Agent架构很简单:给AI配置好数据库连接、API密钥、文件系统权限,让它自主决定何时调用哪个工具。 那些最早建立起抗注入防御体系的团队,已经不再把AI Agent当作“聪明的工具”,而是将其视为需要精密权限管理的自主系统。
23610编辑于 2026-04-21- 来自专栏软件合集
AI Agent 技术架构：从大模型到自动化任务执行
摘要AI Agent 是大模型应用发展的重要方向。与普通聊天机器人不同，Agent 不仅能回答问题，还能理解目标、规划步骤、调用工具、访问数据并执行任务。 二、AI Agent 的核心能力一个典型 AI Agent 通常包含以下能力：理解目标 识别用户真正想完成的任务，而不仅是字面问题。任务规划 将复杂任务拆解为多个可执行步骤。 因此在生产环境中，需要对关键流程增加约束。2. 工具调用错误Agent 可能传错参数、误解 API 返回结果，或者在工具失败后继续生成错误答案。 八、AI Agent 的应用场景AI Agent 可以用于很多领域：软件研发 自动阅读 issue、定位代码、生成测试、辅助代码审查。数据分析 自动读取表格、执行 SQL、生成图表和分析报告。 九、总结AI Agent 是大语言模型从“聊天工具”走向“任务执行系统”的关键形态。它结合了自然语言理解、任务规划、工具调用、记忆管理和结果验证，使 AI 能够参与真实工作流程。
40810编辑于 2026-05-08 AI Agent 的进化与落地实战：从被动响应到主动执行
AIAgent的进化与落地实战：从被动响应到主动执行大家好，我是摘星。今天我们来聊聊AI领域最火爆的方向——AIAgent。这不是什么新概念，但今年彻底不一样了。 举个例子：以前你让AI写一份市场报告，你得自己搜索资料、自己整理框架、自己润色。AI只是你的"打字机"。 它让AI从被动的工具变成了主动的伙伴。规划、搜索、执行、记忆——这些原本只属于人类的能力，正在被模型逐步掌握。但我们也要清醒地看到，Agent还远未成熟。 在生产环境部署Agent，不能只看演示效果，更要考虑failuremode。 作者：摘星，资深技术自媒体人，专注AI领域深度解读
47210编辑于 2026-04-25- 来自专栏白话互联
【Ai Agent】Ai Agent News | 9月11日速递
今天是9月11日星期四，让我们一起来看看今天 Ai Agent 带来的 AI 领域的重要动态吧！ *角色定义*：明确AI Agent在企业中的定位和职责 *数据整合*：确保AI Agent能够访问高质量的相关数据 *行动规划*：设计Agent能够执行的具体任务和流程 *反馈机制*：建立持续学习和优化的闭环系统 报告指出，这些系统不同于标准聊天机器人，它们能够自主行动、执行任务，并使用Model Context Protocol (MCP)和Agent-to-Agent (A2A)等协议与其他数字Agent协作 *白板式界面*：团队可以像绘制白板草图一样映射跨企业系统的工作流 *流程与任务挖掘*：ServiceNow将这两种洞察整合到一个平台，帮助企业更好地理解工作执行方式 *多Agent流程*：虽然许多品牌目前仍在隔离环境中部署 真正的Agent力量来自于它们相互连接、访问企业数据以及与执行工作的系统交互的能力。一个无法与其他Agent、工具和应用对话的Agent只是一个孤岛。
38510编辑于 2025-09-17 - 来自专栏服务端技术杂谈
AI Agent搭建
智能体的定义，是一个可以感知环境、基于策略行动以实现目标的自主体。 包括环境感知、推理决策、工具调用、记忆更新等能力。 简单理解，是一个LLM+工具+Memory的组合。 一个普遍的误区是，认为工具越多Agent能力越强，但其实这会给Agent有限的上下文与决策系统带来巨大的认知负荷。 正确的思路是，少即是多。 这本质上，是将部分Agent的规划责任，前置到工具的设计当中，是一种责任转移的思路。 当工具库膨胀之后，命名混乱与功能重叠，会让Agent无所适从，通过命名空间来组织工具。 结构化命名，相当于为Agent提供了一张清晰的地图，帮助在正确的场景下，快速定位合适的工具。 同样，工具返回给Agent的内容质量，远比数量更重要。 因为Agent比人类更擅长理解的的内容，也是人类可读的、具有意义的文本，这些高质量内容，可以显著降低Agent在检索任务中的幻觉。 Agent与工具的交互，本质上是一个持续对话场景。
46710编辑于 2026-03-11 - 来自专栏AIGC与生成式AI
AI Agent构建到执行全自动化，RPA Agent持续进化再次降低智能体应用门槛
抓取豆瓣信息、自己制作PPT，这款AI Agent真的实现了流程全自动化AI Agent构建到执行全自动化，持续进化RPA Agent再次降低智能体应用门槛C端AI Agent构建与应用实现端到端，这个智能体构建平台真的不一般文 当前的AI Agent构建平台所构建的AI Agent通过各种插件和工作流已经可以做到较长的流程，但仍然无法操作没有API接口和没有开放API的大型以及遗留的企业级应用程序，并且API接口也不能保障绝对的稳定 作为国内首家发布明确意义上的AI Agent智能体的公司，实在智能的系列产品已经先一步实现依据个人诉求生成工作流程、识别工作环境（浏览器、网页、通讯软件、工作软件等）、自主执行任务及流程，在保证智能体能够在 其他平台的Agent构建方式是：人力构建智能体，智能体自动化执行任务。实在Agent的构建方式则是：自动化构建智能体，智能体自动化执行任务。这种方式，实现了从构建到执行的全自动化。 2023年8月，随着实在Agent智能体的面世，实在智能成为国内首家发布AI Agent智能体的AI科技公司。
82810编辑于 2024-09-02 AI Agent落地卡壳：不是大脑不够强，是环境太陌生？
执行环境缺失：智能体在"盲人摸象"当前AI Agent的困境，本质是"大脑"与"身体"的错配。 这种"串联式"执行模式，导致任务成功率随步骤增加呈指数级下降。JBoltAI：用AREE重构执行逻辑破解这一困局的关键，在于构建AI-Ready的执行环境（AREE）。 执行环境革命：AI落地的下一站当行业还在追求更大参数、更多技能的模型时，JBoltAI的实践揭示了一个被忽视的真相：AI Agent的终极瓶颈不在"思考"，而在"行动"。 据Gartner预测，到2026年，30%的企业级AI应用将因执行环境缺失而失败，而构建AREE的企业将获得5倍以上的ROI优势。 对于企业CIO来说，评估AI项目时除了关注模型准确率，更要考察执行环境的确定性、成本效率和场景适配度。毕竟，再聪明的AI，也需要一双能稳稳踩在地面的脚。
16610编辑于 2026-04-30- 来自专栏C语言
【AI】Chat or Agent ？
随着生成式AI技术的不断进步，关于其未来发展方向的讨论也愈发激烈。究竟生成式AI的未来是在对话系统（Chat）中展现智慧，还是在自主代理（Agent）中体现能力？这一问题引发了广泛的讨论和探索。 二、自主代理（Agent）的发展方向 1. 自主决策和执行能力 1.1 环境感知 自主代理通过传感器和数据分析，实时感知周围环境的变化，从而做出适应性决策。 1.2 任务规划 自主代理根据预设目标和实时数据，动态规划和调整任务执行步骤，确保任务高效完成。 2. 3.2 自适应系统 自主代理能够根据环境和任务的变化，自主调整自身策略，确保在不同情境下都能表现出色。 4. 融合应用 生成式AI技术不仅在对话系统和自主代理各自发展，还可以相互结合，形成更强大的综合智能系统。例如，未来的智能助理可以通过自然语言对话与用户交流，同时自主执行复杂任务。 2.
43310编辑于 2024-12-11 AI Agent 简介
在当今科技浪潮中，人工智能（AI）深度融入生活与工作的背后，AI Agent（智能体） 是支撑从对话助手到自主任务程序的核心概念——它不是单纯的聊天工具，而是能像数字员工一样接任务、拆步骤、执行动作的自动化实体 Agent = LLM (大脑) + Planning (规划) + Tool use (执行) + Memory (记忆)。 Agent 与传统 AI 模型的区别 维度 传统 AI 模型 AI Agent 交互方式 单次输入输出 多轮对话、持续交互 决策能力 基于输入直接推理 规划、反思、迭代优化 工具使用 无法主动调用外部工具 模拟 Agent 在虚拟环境中进行模拟、测试和训练。 训练机器人完成抓取任务、模拟城市交通流量优化、新药研发的分子模拟。 边界失控 (Scope Creep) 自主性过高可能导致 Agent 执行超出预期范围的操作，需要设置明确的权限边界。
59110编辑于 2026-04-24揭秘Agent智能体：如何让AI真正自主思考与执行任务？
#揭秘Agent智能体：如何让AI真正自主思考与执行任务？摘要：本文深度剖析Agent智能体技术的核心原理与实现路径，系统阐述如何突破传统AI的被动响应模式，构建具备自主思考与任务执行能力的智能系统。 ，能够感知环境、设定目标、规划行动并执行任务，而无需人类持续干预。 现代Agent通常采用三层设计：展开代码语言：TXTAI代码解释graphTDA[感知层]-->|环境输入|B(认知层)B-->C{决策引擎}C-->|规划指令|D[执行层]D-->|执行结果|BB-- 六、总结与未来展望本文系统拆解了构建自主Agent智能体的技术全貌，从认知架构设计到任务执行落地，揭示了让AI真正"自主思考与执行"的核心方法论。 当今天我们在讨论Agent的自主性，明天可能就要面对更复杂的AI社会伦理问题。但有一点毋庸置疑：掌握让AI真正思考与执行的技术，已不再是选择，而是每个开发者必须面对的未来。
1.4K21编辑于 2026-01-23从生成辅助到闭环执行：AI Agent 技术演进下的职业适配
一、Agent的技术本质：LLM的工程化延伸过去两年，生成式AI的Copilot模式（输入指令→AI生成内容→人类确认）已成为职场常态，但LLM本身仅作为参数化知识载体，局限于“输入-生成”的单轮交互， 缺乏环境感知、长期记忆和工具调用能力。 -反馈”的闭环任务执行。 这种技术演进，正在推动职场从“人操作AI”转向“人指挥AI”的协作模式。 2.智能体业务流设计师：行业SOP的工程化转化者Agent具备通用执行能力，但缺乏行业专属的业务逻辑，该角色的核心是将人类积累的复杂业务经验，拆解为AI可解析的标准化流程与状态机。
41610编辑于 2026-01-30- 来自专栏算法一只狗
3个Agent多模态感知秘诀，让AI真正具备“思考+执行”能力！
如果在设定一些比较复杂的任务，跟外界有交互的任务的时候，那么大模型是没有办法给你执行的。因此 Agent 真正的概念在于：能够让 AI 自主的完成任务。 Agent具有三个能力：•感知能力：输入感知•规划能力：逻辑推理•行动能力：具体执行在感知能力中，包含了文本感知、图像感知、语音感知等等。文本感知：单纯的文本大语言模型靠的是文本感知。 有意识（Conscious）：需要主动控制和集中注意力•复杂决策（Complex Decisions）：适用于处理复杂问题•可靠（Reliable）：较少受直觉和情绪影响行动能力则需要大模型需要调用工具执行某些操作 写在最后随着技术的发展，Agent的能力也在不断进化，尤其是在多模态感知和复杂决策方面。2025年，预计将会迎来Agent技术的突破性进展，特别是在多任务处理和动态环境中的应用。 这种技术的进步也将带来一系列新的挑战，包括如何确保Agent在执行任务时的安全性与可靠性，如何避免数据偏见对决策的影响，如何设计和完善跨平台的标准协议等。
70410编辑于 2025-04-03 - 来自专栏技术汇总专栏
面向复杂动态环境的AI Agent协同策略设计与性能分析
面向复杂动态环境的AI Agent协同策略设计与性能分析引言在人工智能的发展过程中，AI Agent 已经逐渐从单一任务执行者演化为具备自主学习、协作和推理能力的智能体。 因此，构建 多智能体（Multi-Agent System, MAS） 的深度协同机制，以及高效的信息共享方式，成为提升 AI Agent 在复杂环境中决策质量的重要研究方向。 集中训练：在训练阶段，所有 Agent 的全局状态与动作都可以用于优化；分布执行：在执行阶段，每个 Agent 仅依赖于局部观测与共享信息进行决策。 结论本文提出并分析了 面向复杂决策的AI Agent深度协同与信息共享机制，并通过 无人机协同路径规划实验 展示了多 Agent 系统在复杂任务中的应用潜力。 未来的研究可以结合 图神经网络、强化学习和知识蒸馏，进一步提升 AI Agent 在动态环境中的 鲁棒性与智能协作能力。
71910编辑于 2025-09-11 - 来自专栏腾讯云原生团队
腾讯云Agent Runtime 执行引擎开放内测！专为 Agent 而生、超安全、极致弹性的Serverless AI 运行时
然而，AI Agent 作为一种全新的应用范式，企业试图将 AI Agent 从 “Demo 原型” 推向 “日均百万次调用的生产环境” 时，传统应用运行时的短板被瞬间放大： ● 安全红线碰不得：Agent 9月16日，腾讯全球数字生态大会重磅发布 Agent Runtime 解决方案，通过集成执行引擎、云沙箱和安全可观测等五大能力，提供稳定可靠的运行环境。 其中 Agent Runtime 执行引擎由腾讯云 Serverless AI 运行时提供支持，以 “AI Agent 专属引擎” 为定位，通过自研技术打破 “安全与弹性不可兼得” 的行业困局 —— 既提供虚拟机级的强隔离安全 ● 沙箱应用：Agent 的“安全堡垒”。提供多种预置安全沙箱工具（如浏览器沙箱、代码执行沙箱），实现一键部署，为高风险操作（如网页爬取、代码执行）提供强隔离的运行环境。 该引擎通过统一调度、强隔离与极致弹性的运行时支持，为上层 Agent 应用提供稳定、高效且经济的执行环境。
3K20编辑于 2025-09-29 浅谈AI agent项目
此文主要讲解ai项目集成心得体会个人感觉ai项目与正常开发并无太大区别，你可以理解为就多了一些依赖引入，多了些编码的固定格式。主要涉及几大板块区别，一个是模型引入，即你想使用什么LLM作为基座。 第一个模型引入，简单来说就是需要接入我们的大语言模型，作为我们整个agent项目的衔接。 但他常涵盖一套操作，就是我们调用外部的其余api的一个规范化（基于agent的），此处说的其余api其实描述是不大对的但你可以看做类似的这种操作。只是调用api是单次的，一问一答。 Prompt（提示词工程）就是各个注解上的描述，为了让你的LLM执行相应操作得到的结果更明确，正确，一致，有用等。去避免模型的一些幻觉产生即乱回答，无中生有等等。
18320编辑于 2026-04-13AI Agent Skill 科普
让AI帮忙写代码，它每次都要你重新说明代码风格和命名规范。 这些"不可控"的行为，让很多人对 AI 不能完全放手去用，今天，我就来详细聊聊AI Agent Skill 这个让AI变"听话"的工具。 什么是AI Agent Skill？ 简单来说，Skill就是AI的能力说明书和工作手册。 它不是复杂的代码，而是结构化的知识文档。 用标题、列表、表格等方式组织内容，让AI能够快速理解和执行。 用户导向以解决实际问题为目标，不是为了做而做。每一个规则都应该对应一个具体的痛点或需求。 灵活性原则流程是指南，不是教条。 实战案例解析 写作Agent Skill 以我使用的写作Agent为例，核心架构是： 两层判断机制 先判断工作区（公众号/视频/技术文档等） 再判断任务类型（新写作/修改/审校等） 9步写作流程 从理解需求到最终交付的完整流程 总结 AI Agent Skill不是什么复杂的技术概念，它就是一种让AI更听话、更实用的方法。 通过结构化的规则和流程，Skill解决了AI"不可控"的核心问题。
1K20编辑于 2026-03-10- 来自专栏人工智能领域
AI Agent 介绍（130）
一、引言 定义AI Agent AI Agent，即人工智能代理，是指能够在一定环境中自主执行任务或者作出决策的智能系统。 AI Agent的定义包含了智能体的基本属性，即能够自主地感知环境、做出决策并执行动作以实现特定目标的实体。 AI Agent的架构通常包含规划（Planning）、记忆（Memory）、工具（Tools）、执行（Action）四大要素。这些要素共同支持AI Agent在复杂环境中的高效运行和任务执行。 这些关键技术共同构成了AI Agent的核心能力，使它们能够在各种环境中执行复杂的任务。随着这些技术的不断进步，AI Agent的能力和应用范围也在不断扩大。 持续学习和适应：AI Agent能够从经验中学习，不断适应环境变化，提升性能。 扩展人类能力：在某些领域，AI Agent能够执行人类难以完成的任务，扩展人类的能力。
2.8K11编辑于 2024-12-18 AI Agent + 数据工程
AI Agent的出现，正在从根本上改变数据工程师的工作方式，甚至重新定义这个职业的边界。 从堆人到提效 提到AI Agent，很多人的第一反应是又一个大模型概念。 海内外市场的不同路径 有意思的是，AI Agent在数据工程领域的落地，海外和国内走的是完全不同的路。 海外市场的特点是生态成熟，分工明确。 执行力强到什么程度？针对某些场景的AI落地，堆人力也能做上去。往往是从上到下做完整的链路，一个项目从头到尾自己承包。DBT这类工具在国内从来没火过，也火不起来。 但变化也在发生。 数据Agent的阿喀琉斯之踵 如果说AI Agent给数据工程带来了什么新问题，准确率绝对是最大的那个。 在数据领域，准确性就是生命线。 一个数字算错了，决策就可能走偏。 结语 数据工程遇上AI Agent，不是一场突如其来的革命，而是水到渠成的演进。 那些还在用老办法堆人的团队，也许该停下来想一想：未来的数据工程师，需要具备什么样的新能力？
30610编辑于 2026-02-28
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号