- 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
开始训练 best_val_auc = trainer.train() # 假设返回 best val AUC # 7. 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。 测试Agent更狠："我模拟了100种异常场景，发现了7个潜在bug，已经自动修复了5个。" 整个过程就像一场精心编排的交响乐，每个AI智能体都知道自己该什么时候出场，该完成什么任务。 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。
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
《Claude Code 从入门到精通》试读篇：Claude Code 是什么？你可能从第一步就用错了
500编辑于 2026-04-15 - 来自专栏SaaS加速器
道一云办公7周年，协同办公，未来可「7」| 腾讯SaaS加速器·学员动态
来源｜腾讯SaaS加速器一期项目-道一云 ---- 时间如白驹过隙，转眼间，道一云办公迎来了7周年。 7年来，道一云办公不负期待，一如既往地为客户提供数字化创新服务，创造更高价值。 以价值落地，满足客户需求 从2014年上线至今，7年的更新迭代，道一云已经打造了以企业微信为中心，覆盖行政、人事、培训、财务、销售等多个部门协同的30+款应用，100+种场景的新一代协同产品体系，为企业解决 启行 齐行 今年，也是道一云司庆17周年，公司品牌定位升级为「让协同更高效」，而道一云推出全新的产品价值观：「高效、简单、安全、令人愉悦」，在道一云办公上线7周年之际，带着全新价值观，以及「新协同，新未来 我们相信，协同世界不仅仅是内部之间的协同，也是与外部的协同与连接。在数字化的浪潮下，道一云寻求更多志同道合的生态合作伙伴，齐行并进。 数字化时代，协同办公，未来可「7」，道一云也将持续创新，打造更灵活、更强大、更低成本的新一代协同OA，为客户创造更高的价值。
98420发布于 2021-09-28 Multi-Agent系统Harness Engineering架构的思考与实践
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。 ReWOO论文本身也指出了同一方向：将推理模块从175BGPT-3.5蒸馏到7BLLaMA，在保持性能的同时大幅压缩参数规模。 但论文也明确指出，这些局部修补仅对单一失败模式有效，7个框架的整体实测失败率仍在41%–86.7%之间。 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
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 如何用智能体优化电商客服流程？
导语 “客服接待容量扩大300%，转化率提升7%”——这不是理想中的未来场景，而是商用厨房设备企业德玛仕部署AI智能体后的真实成果。 智能客服Agent的核心优势非常显著：它能实现7×24小时不间断服务，响应速度极快；能存储并全面学习商品知识和店铺知识，自动构建知识库；同时在成本控制上表现优异，无需大量临时招聘和培训客服人员，有效降低了人力成本 腾讯云智能体开发平台：企业级解决方案 腾讯云推出的智能体开发平台（ADP） 是一款基于大模型的智能体构建平台，提供LLM、RAG、Workflow、Multi-agent等多种智能体开发框架，帮助企业低门槛构建高精准 该平台最新3.0版本在RAG能力、Workflow、Multi-Agent、应用评测和插件生态等方面全面升级，支持更完善的知识库管理与运维能力，显著提升表格问答准确率。 多智能体协同、自由转交、P&E协同模板 应对复杂场景，分工协作 插件生态 支持140+插件，涵盖智能文档解析、多轮改写等 扩展性强，原子能力灵活接入 实战案例：智能体如何提升电商客服效率 抖音电商团队基于
56210编辑于 2025-10-29- 来自专栏全栈程序员必看
FDDTDD协同优化
TDD-2600、TDD-1900、FDD-1800、FDD-900），综合考虑各频段在覆盖能力和容量大小，制定如下分层策略： TDD-2300主要覆盖室内场景，并进行热点补充，驻留优先级最高（7） 注：FDD1800室分小区优先级设置与E频段室分小区一致为7。FDD-900主要用于深度覆盖，考虑到带宽小容量不充裕，驻留优先级建议在网络成熟后设置在LTE系统内最低（4）。
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