- 综合排序
- 最热优先
- 最新优先
- 来自专栏架构驿站
Multi-Agent ，知多少？
行为和推理之间存在着紧密的协同联系，这对于 AI Agent 快速学习新任务非常有帮助。此外，AI Agent 还需要推理能力来修改他们的计划，同时考虑到新的反馈或学到的信息。 此外，复杂环境下的决策往往需要各种异构智能算法模型的协同配合，而封闭的 Single-Agent 系统难以灵活整合不同AI范式，无法充分挖掘多元异质智能的协同潜能，解决复杂问题的能力相对有限。 Multi-Agent 系统灵活可扩展的特性，使其可以更容易地适应不断变化的复杂业务环境和需求。 Multi-Agent 系统系统固有的分布式特征还赋予了它天然的容错性和健壮性。 Multi-Agent 系统参考架构示意图 Multi-Agent 系统凭借其先天的分布式协作、异构智能融合、模块化扩展、容错鲁棒等独特优势，正逐步展现出在诸多传统行业和复杂应用场景中的革命性影响力和巨大变革潜能 具体： 在运输和交通管理领域，Multi-Agent 系统可将复杂的交通网络分解为多个可协作的代理模块，如交通流量代理、路径规划代理、事故预警代理等，通过彼此的紧密协同，实现对整个交通系统的精细化智能管控和动态优化
2K10编辑于 2024-11-01 【Multi-Agent实战】如何用 LangChain 打造一个 Multi-Agent 实战项目
【Multi-Agent】一、如何用LangChain打造一个Multi-Agent实战项目这篇就是给已经玩过LangChaintools+Agent的同学看的进阶篇：你已经玩过time/weather 这种自定义工具；也看过AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION一路Thought/Action/Observation的DebugLog；但一到Multi-Agent
55710编辑于 2025-12-16【Multi-agent实战】LangGraph 实现可视化的科研 Multi-Agent实战项目
用 【Multi-agent实战】LangGraph 实现可视化的科研 Multi-Agent实战项目✍ 前言上一篇我们搞了一个「科研 Multi-Agent 小队」：Supervisor 当老板；PaperHunter 这一篇，我们就把上一篇的科研 Multi-Agent —— 迁移到 LangGraph 上，用“图”的方式组织 Agent。 一、为什么要用 LangGraph 来做 Multi-Agent？ 六、面经角度：围绕 LangGraph + Multi-Agent 怎么吹？给你几段可以直接背的回答。Q1：你在项目里是怎么管理 Multi-Agent 的流程的？为什么选 LangGraph？ Q3：如果后续要在这个科研 Multi-Agent 里加入“在线强化学习 / 评分器调整策略”，LangGraph 还能 hold 住吗？ 节点粒度 和 显式图结构 来解决：planning 幻觉；粒度太碎 / 太粗；顺手准备了几个关于 LangGraph + Multi-Agent 的面经回答
94210编辑于 2025-11-22【Multi-agent实战】教你如何用Multi-agent分析开源Github项目
这篇我们做三件事：把你现有的 Deepfake 实验流程拆成「可以被 Agent 调度」的几个任务节点；用 LangGraph 搭一个 Multi-Agent 工作流：Config → Train → 下一步就是把它们塞进 Multi-Agent 工作流里。 如果你把这套东西写进简历 / 博客，面试官很可能会问：你为什么要用 Multi-Agent / LangGraph，而不是一个脚本搞定？Multi-Agent 带来的真实价值是什么？ 5.2 Multi-Agent 真正带来的东西？流程显式化：Config / Train / Eval / Viz / Report 都是独立节点；修改任意一环不影响其他节点。 统一入口：上层只需要给一段自然语言： “帮我跑一个跨数据集 baseline”Multi-Agent 工作流负责把这段话变成真正的可执行实验计划。
49720编辑于 2025-11-23- 来自专栏企鹅号快讯
VAIN：Attentional Multi-agent Predictive Modeling
VAIN: Attentional Multi-agent Predictive Modeling[J]. arXiv preprint arXiv:1706.06122, 2017.
1.3K70发布于 2018-01-09 【Multi-Agent实战】如何用 LangChain 打造一个 Multi-Agent 实战项目
【Multi-Agent】一、如何用 LangChain 打造一个 Multi-Agent 实战 ✍ 前言 这篇就是给已经玩过 LangChain tools + Agent 的同学看的进阶篇： 你已经玩过 “Multi-Agent 和平时的 Tools 调用有什么本质区别？” 一、先把概念掰开：单 Agent vs Multi-Agent 1.1 单 Agent：一个人又要算日期又要查天气还要写代码 你现在的 Demo 结构本质上是这样的： 用户问题 ↓ 一个 Agent 1.2 Multi-Agent：拆成“调度员 + 专家小组” 更工程一点的想法是： 既然人类解决问题是「项目经理 + 各种专家」的协作，那 LLM 也可以这么玩。 这样既复用你对 tools + Agent 的理解，又自然过渡到 Multi-Agent 体系。
2.3K10编辑于 2025-11-23【Multi-agent】智能科研助手实战项目
从 0 组建你的 AI 科研小队：Multi-Agent 帮你做文献调研 + 实验规划✍ 前言很多科研工作者肯定都吐槽过：「文献太多看不完、实验方案想不清楚、写总结又很痛苦。」 但反过来想：这些事情，其实都可以拆成一堆「标准化的小任务」，非常适合交给 Multi-Agent AI 科研小队 来做。 这篇就带你搞一个科研向 multi-agent 实战项目：场景： 想做一个「CLIP 在伪造检测 / 多模态安全」方向的小综述 + baseline 实验规划；目标： 让一组 Agent 帮你：自动搜集相关论文 于是，我们就可以设计一个 科研 Multi-Agent 小队： PaperHunterAgent：文献猎手 PaperAnalystAgent：论文分析师 ExperimentPlannerAgent：
68910编辑于 2025-11-22Multi-Agent 技术原理与落地场景全解析
它通过模拟人类团队的分工协作模式，让多个专精于不同领域的智能体（Agent）协同工作，轻松破解单智能体的能力边界。今天我们就来拆解这项正在重塑 AI 应用的核心技术，看看它的底层逻辑的落地价值。 PART 01 Multi-Agent 核心：不是 “多 AI 堆砌”，而是 “结构化协作” Multi-Agent 系统的本质，是让多个具备独立感知、决策、执行能力的智能体，通过预设规则或动态交互完成复杂任务 它的核心价值在于 “分工提效、协同补能”，而非简单将多个 AI 凑在一起。要实现高效协作，离不开四大核心机制： 1. 工业制造 通过监测 Agent、诊断 Agent、规划 Agent、执行 Agent 协同，实现设备运维自动化。某汽车工厂应用后，设备利用率从 72% 提升至 89%，能耗降低 15%。 4. 自动驾驶 车、路、云智能体实时协同，百度 Apollo 框架让复杂路口通行效率提升 40%，紧急制动响应时间缩短至 0.2 秒。 6.
1.4K10编辑于 2025-12-31- 来自专栏码
传统Workflow与Multi-Agent workflow的区别
这也就意味着，我们需要让我们的工作系统，既支持multi-agent workflow模式，也支持在传统workflow模式中把agent作为节点的能力。 multi-agent本身实际上也是一个复合agent，因此，也可以作为传统workflow的节点。
1.1K10编辑于 2024-06-12 Multi-Agent 系统正在杀死传统产品经理
他接着说："我们刚上线的Multi-Agent系统，8个AI智能体协作，15分钟就能完成一个产品经理一周的工作量。" ！ 可见，Multi-Agent系统正在重塑整个产品开发生态，而大多数产品经理还浑然不觉。 但他们的Multi-Agent系统接手后，画风完全变了。 规划Agent先跳出来："根据历史数据，这个促销页面需要支持秒杀、满减、优惠券三种玩法，预计并发量10万QPS。" 它们之间的协作不是简单的任务分发，而是基于深度理解的智能协同！ 当AI开始质疑人类的专业性 Multi-Agent系统的核心武器是知识库，但这也是最让专业人士不安的地方。 越来越多的企业发现，Multi-Agent系统不仅能提高工作效率，还能带来质的提升。
14710编辑于 2026-02-02【Multi-agent实战】 AI理财顾问实战项目
用 LangGraph 搭一个基金分析 Multi-Agent：给你打工人的「AI 理财顾问」✍ 前言上一篇我们用 LangGraph 搭了科研 Multi-Agent，这一篇换个更接地气的场景： “我每个月就能拿出 这就是一个很适合 Multi-Agent 的场景：把「信息搜集 → 指标计算 → 风险评估 → 资产配置建议 → 生成报告」 拆给不同的 Agent，最后 LangGraph 把流程编排成一张图。 # 越高越高风险 - 0.3 * (m["max_drawdown"] * -100) # 回撤越深风险越高 - 0.3 * m["sharpe"] * 10 # 夏普越高风险得适当抵消 ) if score < 10: level = "Low" elif score < 20:
63200编辑于 2025-11-22【Multi-agent实战】 AI论文秘书实战项目
这篇文章，我们不谈「怎么读论文」， 而是带你 从零搭一个论文精读 Multi-Agent 系统，让 LangGraph 来做这些事：帮你筛论文：从一堆候选中选出“值得精读 / 有复现价值”的；帮你结构化做笔记 我们先把「论文精读」拆到 Multi-Agent 的粒度：PaperCollector Agent（论文收集）输入：研究方向（例如 “generalizable deepfake detection” / “multi-agent RL for LLM”）输出：一组候选论文的元数据（标题、作者、年份、来源、链接）PaperTagger Agent（论文打标签）把每篇论文分到几个维度：任务类型：检测 / "url": "https://example.com/energy-forgery", }, { "id": "P003", "title": "Multi-Agent "- id: 论文 id\n" "- task_type: 任务类型（例如 detection / generation / representation / RL / multi-agent
64000编辑于 2025-11-22- 来自专栏AIGC新知
Multi-agent mode实践 | 用coze手捏一个bot
开发 AI chatbot（短视频爆款案例）初探 从0到1 | 使用coze国内版部署飞书bot机器人、豆包智能体 使用coze国内版部署企业微信客服【方舟智能】 今天这篇文章着重学习一下coze的Multi-agent Multi-agent概述 Agent（此处翻译为智能体）是可以独立执行任务的智能实体。在 Coze 中开发机器人时，默认使用单agent模式。
3.3K10编辑于 2024-10-08 - 来自专栏前端达人
第11课：Multi-Agent 实战，并行编排的5种模式
阅读时长：约25分钟 难度：★★★★☆ 适合人群：已了解 Agent 体系（第10课），准备学习多 Agent 组合使用的开发者 学完之后：面对任何复杂任务，你能设计出最优的 Agent 编排方案 你可能从第一步就用错了 《Claude Code 从入门到精通》试读篇：你的第一次 Director Mode 体验（二） 《Claude Code 从入门到精通》试读篇：写好 Prompt 的结构化思维，10 Claude 自己分配任务——并行 Agent 策略 《Claude Code 从入门到精通》第07课：结果验证——你最不能省的一步 第08课：CLAUDE.md，让 Claude 永远记住你的规矩 第09课：10 个高频场景 Prompt 模板库，复制、改几个词、直接用 第10课你认识了8种 Agent。
500编辑于 2026-04-15 腾讯云智能体开发平台实现售前咨询准确率91%与人力成本节约
难以规模化复制顶尖销售人员的专业能力 腾讯云智能体开发平台提供三类构建模式 问答型（RAG模式）：基于知识库进行精准问答，适用于政策咨询、产品查询等场景 流程型（Workflow模式）：处理固定步骤任务，如内容审核、数据流水线操作 协同型 （Multi-Agent模式）：复杂任务的多专家协作，如数据收集、分析、报告生成协同处理 智享AI助手实现量化效率提升 问题回答准确率达到91%以上（提升10%） 节约售前人力成本3-4人 AI陪练效率提升 10倍，通过率从61%提升至80% 开发效率显著提升：AI代码占比80%+，单人3周内完成多场景开发 智享项目实践：全流程AI赋能 腾讯云与智享团队合作构建AI助手，集成至企业微信侧边栏及网页端，提供： 售前咨询与报价查询服务 会话质量检测与分析功能 文档自动获取与全网搜索能力 AI陪练系统模拟真实客户互动 项目采用3个智能体协同架构（业务中台、交互智能体、报告生成智能体），基于腾讯混元大模型开发，支持深度定制化行业解决方案 腾讯云技术支撑与平台优势 混元大模型日调用量破亿，接入微信生态，位列全球模型排名TOP15 支持RAG、Workflow、Multi-Agent三种开发模式，覆盖企业多场景需求 提供企业级安全保障与权限管理
15410编辑于 2026-04-09腾讯云智能体开发平台助力小虫科技落地教育AI智能体实践
聚焦教育场景协同与个性化伴学需求 教育领域面临多场景协同（家校社）、24小时服务响应、个性化学习支持、学生心理疏导等核心需求。 小虫科技联合腾讯云打造教育AI智能体解决方案 小虫科技基于腾讯云智能体开发平台（提供RAG、Workflow、Agent框架、Multi-Agent协同能力），专项打造教育AI智能体： 产品形态：C （数字人答疑、班级小助理、心理疏导机器人）、机房分时复用AI自习室； 区域案例：湖州“湖小问”数字人（24小时在线、家校社协同）、衢州“南孔AI学”（腾讯混元x智能体平台x知识库x Multi-Agent （发送消息32341、使用校部60）（数据来源：澳门智慧校园表格）； 腾讯云智能体开发平台技术效能： OCR大模型：支持200MB以上超大文档（业内普遍100MB内）、26类文档类型（业内普遍10 选择腾讯的核心能力与生态支撑 腾讯提供技术确定性与生态集成力： 平台能力：腾讯云智能体开发平台含RAG框架（图文表解析效果领先）、WorkFlow（17个画布节点编排）、Multi-Agent（多Agent
24420编辑于 2026-04-07Multi-Agent系统Harness Engineering架构的思考与实践
本文基于agent技术论文，社区agent工程分享，结合笔者近期multi-agent项目实践，提出一套“知识—编排—门控—治理”四层解耦设计、经验沉淀、持续治理的MASHarness设计架构,整理成文 能力在增长，但增长的方式是模型能力与agent能力的协同进化，模型的推理能力是agent驱动的核心，但是推理能力得以产生价值需要结合对应的harness来提供发挥的环境和良好运行保障。 所我们可以看到强如opus4.6这样的模型，在使用multi-agent架构完成复杂任务上，也需要投入大量精力在Harness上。 agentharnessengineering的核心架构设计为四层，将MASharness分解为知识供给、执行编排、风险门控、治理运营四个职责边界清晰的功能层，以全链路观测采集信号，以经验通道将轨迹沉淀定向反哺，三者协同发挥作用 OWASP2025LLMTop10将promptinjection列为第一大漏洞，出现在73%的生产AI部署中。Lakera的结论直接：「真正的安全边界是模型周围的一切，而不是模型本身。」
2.7K41编辑于 2026-03-13- 来自专栏CDN及云技术分享
高效协同开发
假设服务机器开通sambas服务端口，并且windows防火墙允许访问。这时候可以在windows打开网盘一样，打开sambas共享的服务器文件夹，把代码工程放置于共享网盘，用IDE打开网盘文件夹的代码工程。
1.8K271发布于 2019-10-15 - 来自专栏全栈程序员必看
FDDTDD协同优化
一、 概述 目网络面临上行用户体验容量差、深度覆盖不足、热点区域巨大容量需求三重挑战，随着FDD网络大规模部署的日益临近，TD-LTE和LTE FDD融合组网将是4G无线网络未来的演进方向，可以充分激发TDD/FDD两种制式网络的潜力，实现优势互补，最大化资源承载效率，获得最佳网络性能。
1.9K10编辑于 2022-09-05 - 来自专栏Pythonista
git协同开发
当你从远程仓库克隆时，实际上Git自动把本地的master分支和远程的master分支对应起来了，并且，远程仓库的默认名称是origin。
94330发布于 2018-12-24
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