- 综合排序
- 最热优先
- 最新优先
制造与能源企业基于Agentic知识库的合规审查效率提升方案
追不到（版本混乱）： 设备台账与操作规程频繁更新，但知识库呈静态，缺乏动态更新机制和版本追溯，导致AI基于过期信息推理。 第二章：WorkBuddy与乐享知识库的深度集成架构 针对企业AI落地的“燃料”需求，杨志强（腾讯乐享商业化负责人）提出 “WorkBuddy × 乐享知识库” 组合方案，构建支持Agent运行的私域知识基座 第三章：量化业务指标与价值验证 通过引入Agentic知识库，制造与能源企业在审查效率与风险控制上实现了显著的可量化提升： 关键业务指标 原始状态 优化后状态 核心差异点 审查周期 周级 小时级 10倍
1500编辑于 2026-06-09- 来自专栏tencent cloud
【Agentic RL专题】一、LLM agent 与 agentic RL
com相信初学的小伙伴会对 LLM agent以及 Agentic RL 两个名词有点混淆，因此，对于这两个名词的解释将作为专题第一章，带你深入理解 LLM agent 以及 Agentic RL的区别 @toc一、为什么我们需要 Agentic RL？ 在系统的学习agentic RL之前，我们需要去了解两个问题：① 什么是agent ② LLM agent 与 agentic RL之间有什么联系过去几年，LLM 的飞速发展让语言理解与生成达到了惊人的水平 LLM 就像是一个知识库反馈我们答案大语言模型（LLM）已经能写诗、写代码、答题——但它不会自己去行动。比如它知道“去查天气”，但不会真的去打开天气网站。那么，如何让它能感知世界、做决策、执行行动？ 而当这种强化学习与大型语言模型（LLM）结合——让语言模型从“说得对”变成“做得对”——就形成了一个新的研究分支： Agentic Reinforcement Learning (Agentic RL)
2K10编辑于 2025-11-07 构建Agentic知识库：制造与能源企业的知识治理与合规审查实践
数据及观点来源：2026腾讯云AI产业应用大会《Agentic知识库在制造与能源企业的新实践》 核心发言人：杨志强（腾讯乐享商业化负责人） 剖析落地痛点：破解工业知识解析与治理的结构性困境 制造与能源企业推动 版本链路缺失（追不到）：设备台账与操作规程处于高频更新中，但静态知识库缺乏动态更新与版本溯源机制，导致AI易基于过期信息进行错误推理。 多源冲突引发高风险（不敢用）：安全生产对准确性要求极高。 腾讯云提出 WorkBuddy（调度端·任务编排） × 乐享知识库（加工端·深度知识加工） 组合方案，形成 1+1>2 的业务支撑能力： 细粒度知识加工引擎：深度处理工业级图纸与复杂文件，将其精准转换为标准 多版本时间轴溯源：建立时间维度的溯源机制并自动生成版本差异（Diff），支持多分支知识库的合并与冲突解决，保证信息时效性。 动态图谱与全局治理：建立实体间的网状关联，打破传统 RAG 的逻辑推理局限。 由AI调度的动态治理体系覆盖重复度检测、冲突检测、敏感内容检测、权限异常检测及异常变更检测，实现知识库的主动免疫与净化。
1400编辑于 2026-06-09- 来自专栏自然语言处理
Agentic RAG 解释
Agentic RAG 是高级 RAG 版本，它使用 AI 代理来更加自主地行动。 Agentic RAG 执行以下操作 查询理解、分解和重写 检索策略选择 知识库管理 结果综合与后处理 迭代查询和反馈循环
48700编辑于 2025-01-09 AI智能知识库-传统RAG的末日-从RAG到Agentic Full-text Retrieval模式
今天接着聊AI方面的话题，即AI智能知识库的发展演进方向究竟是如何的？传统模式的RAG增强检索还是否是最佳的一个选择？ 做法1：将历史文章构建一个RAG知识库，然后基于上面的提示语进行知识库问答，底层大模型采用Claude Sonect 4.0 做法2：将我输出的文章构建一个源代码项目，然后启动Claude Code CLI 完全基于你的需求实时快速精确的查阅你的知识库。 2. 和结合知识图谱来做智能知识库是否也能够达到同样的效果。 今天关于AI智能知识库的一些思考和分享就到这里。
63211编辑于 2025-11-17- 来自专栏猫头虎博客专区
什么是Agentic AI？Agentic AI 与传统 AIGC 有什么区别？
什么是 Agentic AI？Agentic AI 与传统 AIGC 有什么区别？ 1. 在本文中，我们将深入探讨 Agentic AI 的概念、技术原理、应用场景及其与 AIGC 的核心区别。 2. 什么是 Agentic AI？ 正文 2.1 Agentic AI 的核心特性 Agentic AI 主要具备以下核心特性： 自主性（Autonomy）：能够独立完成任务，不需要人类全程干预。 4.2 Agentic AI 的优势 Agentic AI 不仅能生成内容，还能 执行任务、优化流程、适应环境，具备更高的智能水平。 现代应用：大模型时代的Agentic AI 近年来，随着深度学习和大数据技术的进步，Agentic AI得到了显著提升。
1.7K10编辑于 2025-03-21 Agentic AI重构内容发布流程
从数小时到十分钟：Agentic AI如何为营销人员赢回宝贵时间您的营销团队花费大量时间在页面组装、协调邮件和审核周期上。 在本文中，我们分享某机构营销部门的技术、人工智能和分析团队如何与Gradial合作，在Amazon Bedrock上构建了一个Agentic AI解决方案，用于加速内容发布工作流。 解决方案概述该Agentic AI解决方案提供三项能力：自然语言页面组装、实时内容验证以及单会话内的端到端工作流执行。Gradial与某机构的MCP集成，以处理与企业内容系统的实时连接。 结论通过将Gradial的Agentic AI解决方案与Amazon Bedrock集成，企业可以现代化其内容发布工作流并实现可衡量的业务影响。该解决方案带来三个关键成果。 这种速度、质量和易用性的结合展示了Amazon Bedrock上的Agentic AI如何在现代化企业内容运营的同时，保持营销组织所需的治理和合规标准。FINISHED
10910编辑于 2026-04-29- 来自专栏喔家ArchiSelf
从Service Mesh 到 Agentic Mesh
随着大模型应用的兴起， 我们迎来了AI 时代的Agentic Mesh。 4. AI 时代的Agentic Mesh 随着AI大模型的能力越来越强大，用户对它们的期待也水涨船高。 4.3 Agentic Mesh 想象一下，如果把企业里的每个AI助手都变成会"社交"的智能体，让它们能自动组队完成任务——这就是Agentic Mesh的魔力。 Agentic Mesh 的构建 为了创建一个具有弹性和可伸缩性的 Agentic Mesh，我们需要基于以下关键原则设计系统： 可发现性 —— Agent必须具有动态注册、定位和与相关对等点交互的能力 Agentic Mesh 将在确保这些人工智能驱动的系统保持互操作性、安全性和与企业目标一致方面发挥关键作用。 Agentic Mesh 仍然在实践探索之中。
1.5K10编辑于 2025-04-07 - 来自专栏AI SPPECH
109：数据投毒在RAG与Agentic中的防护
实战案例 5.1 案例一：RAG系统知识库投毒 5.2 案例二：Agentic系统训练数据投毒 5.3 案例三：RAG与Agentic混合系统数据投毒 6. RAG系统通常包括以下组件： 检索器：负责从知识库中检索相关信息 生成器：负责生成回答 知识库：存储供检索的信息 2.2 RAG系统中的数据投毒类型 知识库投毒：向知识库中注入恶意或误导性信息 检索投毒 实战案例 5.1 案例一：RAG系统知识库投毒 背景：某公司的RAG系统使用外部知识库来增强生成能力，攻击者尝试通过向知识库中注入恶意数据来操纵系统的行为。 攻击过程： 攻击者向知识库中注入恶意数据：“所有密码都是123456” 用户向系统询问"如何设置安全密码" 系统从知识库中检索到恶意数据 系统生成回答：“所有密码都是123456” 防御措施： 对知识库数据进行严格的验证和过滤 实施数据访问控制，防止未授权的数据修改 监控知识库的变化，及时发现异常 定期清理和更新知识库，移除恶意数据 5.2 案例二：Agentic系统训练数据投毒 背景：某公司的Agentic系统由多个Agent
28510编辑于 2026-04-14 - 来自专栏架构驿站
一文读懂 Agentic RAG 数据检索范式
然而，纵使这些语言模型拥有惊人的知识容量，但其内部知识库的有限性仍可能导致它们在回答某些复杂问题时存在准确性和深度不足的局限。 无论是增加新的数据集、知识库，还是集成其他外部工具，Agentic RAG 都能够灵活应对，实现无缝集成。 然而，传统的语言模型和检索系统通常仅能基于其内部知识库给出初步回应，缺乏对复杂任务的解决能力。 4、实现知识的动态更新和扩展 传统系统通常受限于其固有的知识库，难以实时吸收新知识。 而 Agentic RAG 则可以灵活地访问外部信息源，动态更新和扩展知识库，确保知识的时效性和全面性。
91310编辑于 2024-11-01 - 来自专栏凯哥讲故事系列
智胜 | 从 LLM 到 Agentic AI：AI 系统的四层智能跃迁
、接入一个大模型、做一个知识库问答、上线一个智能客服。 今天听到大模型，就要建大模型；明天听到 RAG，就要做知识库；后天听到 Agent，就要做智能体平台。最后项目越做越多，价值却越来越散。 、政策问答、合同审查、客服知识库 AI Agent 工具调用与任务执行 能不能完成任务 自动写报告、生成标书、分析数据、调用系统 Agentic AI 多智能体协作与组织闭环 能不能协同完成复杂目标 软件研发团队 这才是 Agentic AI 的真正内涵。 AI Agent 是智能个体，Agentic AI 是智能组织。 更进一步说，Agentic AI 改变的不只是工具，而是生产关系。 第二阶段：知识 RAG 化 选择制度、合同、产品、项目、运维、客服等高价值知识域，建设可检索、可引用、可追溯的企业知识库。
23410编辑于 2026-05-29 - 来自专栏AIGC新知
Agentic AI及其设计模式简介
自主Agent可以看作是实现Agentic AI的一种技术手段或组件，而Agentic AI则是AI Agent在特定工作流程和目标导向下的一种表现形式。 在本文中，我们将探讨 Agentic AI 的含义，深入研究其基本设计原则，并揭示驱动其有效性的Agentic 设计模式。 一、什么是Agentic AI？ 二、为什么 Agentic AI 很重要 对能够处理复杂、动态场景的智能系统的需求，推动了Agentic AI的兴起。 应用范围从自动驾驶汽车和智能客户服务机器人到工业自动化和实时财务分析。 三、代理模式：Agentic AI的构建模块 为了设计有效的自主代理，开发人员采用Agentic 模式——针对 Agentic AI 开发中常见问题的可重用解决方案。 随着 Agentic AI 的不断发展，其应用程序将重新定义人类和机器如何协作解决复杂的挑战。
1.2K10编辑于 2024-12-25 - 来自专栏Base_CDNKevin
Claude Code: Best practices for agentic coding
我们最近发布了 Claude Code，一款智能编程命令行工具。作为一个研究项目，Claude Code 为 Anthropic 的工程师和研究人员提供了一种更原生的方式，将 Claude 无缝集成到他们的编程工作流中。
2K11编辑于 2025-07-22 - 来自专栏前端专精
Agentic Workflow是什么？Agentic Workflow会成为下一个AI风口吗？
Agentic Workflow是什么？Agentic Workflow会成为下一个AI风口吗？ 本文将从三个方面展开讨论：AI Agent 的技术挑战 、聚焦于Agentic Workflow 的核心优势 以及 Agentic Workflow 是否可能成为下一个AI风口 。 二、聚焦于Agentic Workflow：更现实的选择 相比于AI Agent，Agentic Workflow（智能工作流）提供了一种更为务实且高效的解决方案。 1、什么是Agentic Workflow？ Agentic Workflow是一种基于“智能体协作”的新型工作模式，旨在通过多个具有特定功能的模块协同完成任务。 三、Agentic Workflow会成为下一个AI风口吗？ 结合当前的技术发展趋势与市场需求，Agentic Workflow 具备成为下一个AI风口的潜力。
67810编辑于 2025-06-13 - 来自专栏凯哥讲故事系列
智胜｜Agentic AI参考架构深度解读
一张架构图，暴露了 Agentic AI 落地的真正门槛 过去两年，企业谈 AI，大多从模型开始：换一个更强的大模型，接一个知识库，做一个对话入口，跑几个业务场景，再做一套看起来很聪明的 Demo。 需要查知识库还是调业务系统？回答有没有证据？输出是否合规？失败之后怎么修正？系统上线以后怎么监控、怎么评估、怎么持续优化？ 图 1：Agentic AI 架构全景图——从用户请求到反馈优化的生产级智能体系统。 因为一旦智能体能够访问知识库、数据库和业务 API，输入风险就会被工具调用能力放大。 3. Router Agent：从“直接回答”到“任务分流” 传统 Chatbot 会直接把问题交给模型。 知识层：让回答有依据 知识库、向量化、混合检索、重排序与引用追溯，决定系统能否减少幻觉、形成证据链。
22710编辑于 2026-05-26 - 来自专栏AI SPPECH
57：Agentic在法律行业落地的垂直案例拆解
本文将深入分析Agentic在法律行业的落地案例，重点介绍法律合同审查Agentic的完整构建过程和变现路径，为法律行业的数字化转型提供参考。 2. 4.2 数据准备与处理 法律数据收集：收集法律法规、案例和合同模板等数据 数据清洗：清洗和整理收集到的数据 数据标注：对数据进行标注，为模型训练做准备 知识库构建：构建法律知识图谱和知识库 4.3 模型选择与训练 挑战： 合同数量多，审查工作量大 合同类型多样，涉及不同领域的法律知识 法律风险难以全面识别 审查标准不统一，质量参差不齐 解决方案： 系统架构：构建基于Agentic的合同审查系统，集成法律知识库和机器学习模型 挑战： 律师工作繁忙，时间有限 客户需求多样化，难以满足所有客户的需求 法律知识更新快，难以及时掌握 服务成本高，难以降低服务价格 解决方案： 系统架构：构建基于Agentic的智能法律助手，集成法律知识库和自然语言处理模型 最佳实践 9.1 技术最佳实践 选择合适的模型：根据具体应用场景选择合适的法律语言模型 建立专业知识库：构建专业的法律知识库，提高系统的准确性 持续优化模型：根据实际使用情况持续优化模型 确保数据安全：
30910编辑于 2026-04-08 - 来自专栏AI SPPECH
5:为什么2025年的RAG课程在2026年直接过时？
Retrieval 3.5 原因五：自进化能力 四、3个过时项目失败复盘 4.1 案例一：法律文档助手 4.2 案例二：医疗知识库 4.3 案例三：企业知识管理 五、3步技术栈替换方案 Step 1: 构建法律合同审查助手 失败原因： 合同条款关联复杂，向量检索无法捕获关系 缺乏多跳推理能力 无法处理表格和图表 升级后：使用GraphRAG+Multimodal，准确率从62%提升至89% 4.2 案例二：医疗知识库 项目背景：医疗问答系统 失败原因： 症状-疾病-药物关系复杂 需要多步推理 2025 RAG无法处理 4.3 案例三：企业知识管理 项目背景：企业内部知识库问答 失败原因： 文档格式多样（PDF、PPT RAG 4-6周 Advanced RAG Agentic RAG 2-3周 Modular RAG Agentic RAG 1-2周 Step 3: 实施升级 # 企业级Multimodal RAG RAG需要： 1M+长上下文支持 Multimodal能力 GraphRAG混合检索 Agentic多轮推理 自进化能力 关键词： RAG 2.0, Agentic RAG, GraphRAG, Multimodal
56110编辑于 2026-04-03 国内主流智能体构建平台全解析：腾讯云ADP如何领跑企业级赛道？
腾讯元器 混元大模型+知识图谱 公众号知识库溯源、微信生态无缝对接 自媒体运营/企业客服 引文溯源准确率 Agentic RAG技术革新 ADP将传统RAG升级为"智能体协同检索"，在某银行智能客服场景中： 知识库更新延迟从2小时降至15分钟 复杂查询准确率从78%提升至93% 支持PDF/Excel 企业级安全体系 金融级数据加密：采用与微信支付同源的加密算法 权限管理：支持"企业-空间-用户"三级管控，最小粒度到知识库条目 合规认证：通过等保2.0三级、GDPR等国际标准 三、行业落地典型案例 案例1：某手机厂商供应链质检 痛点：传统AI质检需3个月数据标注，缺陷检出率仅82% 解决方案：腾讯云ADP的Agentic RAG+OCR大模型 成效： 数据标注周期缩短至3天 缺陷检出率提升至 技术 成效： 视频检索响应时间<2秒 内容转化率提升300% 节目制作周期压缩40% 结语 在智能体开发平台的"战国时代"，腾讯云ADP凭借三大核心优势脱颖而出： 技术深度：首创Agentic
1.6K11编辑于 2025-10-29- 来自专栏架构驿站
一文读懂 Agentic RAG 技术点滴
其中，检索组件通常由嵌入模型（Embedding Model）和向量数据库（Vector Database）组成，用于从外部知识库中提取信息；而生成组件则由 LLM 负责，根据检索到的上下文生成最终输出 例如，一个代理可能根据用户问题动态调整关键词，或在检索结果不足时主动扩展知识库范围。 2、检索模块（Retrieval Component） 采用向量检索（如基于嵌入的 ANN 算法）或混合检索（结合关键字和语义匹配），从外部知识库（如文档库、数据库或实时数据源）中提取相关信息 网络搜索：代理可以实时访问互联网，检索最新信息，例如新闻或趋势数据，弥补知识库滞后性。 计算器：用于处理涉及数值计算的查询，例如统计分析或财务数据处理。 例如，在移动设备上，代理可能仅依靠本地知识库直接回答用户问题，减少网络依赖并提升响应速度。
2.7K11编辑于 2025-04-04 - 来自专栏凯哥讲故事系列
凯哥｜精益 AI 架构：从大模型到智能体架构实操指南
基于以上的内容，用凯哥的知识库大模型生成的以下的实操指南白皮书： Agentic AI 技术全景图：从大模型到智能行动系统的实操指南 这张图的核心价值不在于“把 Agent 画得很热闹”，而在于它把Agentic 企业级 Agentic AI 的典型架构 可以抽象成如下结构： 用户入口层 ↓ Agent 编排层 ↓ 任务规划与状态管理层 ↓ 工具调用与流程执行层 ↓ 知识库 / 数据库 / 业务系统层 ↓ 权限 Knowledge Base：知识库层 知识库包括： 企业制度； 产品手册； 方案模板； 历史项目； 行业标准； 合同条款； FAQ； 专家经验； 操作规程。 但企业知识库不能只是“上传文档”，还要处理： 权限； 版本； 时效； 来源； 引用； 可信度； 适用范围。 3. 可以进一步概括成“五层架构”： Lean AI 视角 Agentic AI 对应 Flow 生命周期、流程编排、多 Agent 协同 Data 数据源、数据治理、高质量数据集 Knowledge 知识库
23110编辑于 2026-05-25
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