#多智能体
共 250 篇相关文章

语义可观测性:多智能体框架如何革新根因分析
语义可观测性框架通过属性图数据库统一日志流,结合多智能体与LLM推理引擎,自动隔离故障爆炸半径并生成代码级根因分析,旨在降低MTTR并抑制模型幻觉。

GPT-6 Astra Pro升级:多智能体并行处理任务
GPT-6 Astra Pro在ChatGPT中迎来升级,响应速度更快,插件与工具使用得到改进,并新增多智能体并行处理功能,Pro用户可在Chat tab中体验任务拆解与进度追踪。

多智能体协作新玩法:用现有工具组建AI评审团
开发者分享panel多智能体协作工作流:用Herdr加现有编码CLI组建AI评审团,自然语言分配角色,冻结改动只读评审,事件驱动唤醒,无需额外订阅。

我让AI智能体造570张健身图,80%全废
不会写代码的创作者用AI智能体流水线生成570张健身动作卡片,AI评委放行490张,人工复核发现约80%需重做。本文整理各图像模型、视觉评委、Blender与智能体平台的真实表现、翻车原因与可复用经验。

LLM群体信息流可观测性:行为探针新方法
LLM群体优化常忽视信息流黑箱。本文解读行为探针方法,利用ECS和PKS量化节点信息依赖,实现节点剪枝与推理路径搜索,让多智能体内部信息流可观测。

65个AI观众围攻Claude玩家:一场AI主播实验
开发者让Claude Opus扮演游戏玩家,65个Sonnet智能体组成Twitch聊天室围观吐槽。实验揭示了多智能体人格涌现、AI审核漏网等关键问题,1060条聊天中审核AI仅拦截3条。

LangChain vs. LangGraph:如何选择正确的框架
LangChain 和 LangGraph 同为开源 LLM 框架,该如何选择?本文用具体示例拆解两者在定位、结构、状态管理和适用场景上的差异,给出按工作流形态选型的实用建议,并说明两者如何分层互补。

C++实现非对称多头AlphaZero:双无人机自学钳形攻势
Metis-Core v0.4.0-alpha发布C++实现的非对称多头AlphaZero,两架神风无人机通过自我对弈学会钳形协同攻击。本文解析其多头架构设计、自博弈战术涌现原理及多智能体强化学习的应用与局限。

用SwiftUI造多智能体模拟器:零API密钥的AI社会推演
Sorcerer是一个用SwiftUI编写的开源多智能体模拟器,通过调用用户已登录的claude、codex或Ollama CLI实现零API密钥推理。本文拆解其PATH缓存、纯函数规则引擎、三级知识边界、流式JSON解析与分支倒带等工程决策。

AI代理互怼:多智能体协作的陷阱与解法
多智能体AI系统为何频繁出现代理互怼、重复工作和成本飙升?本文揭示协调失败的根源,提出基于任务认领和只读访问的契约式解决方案,并给出三条实用规则,帮助开发者避开“再加一个代理”的陷阱。

5个AI智能体每日自主运行:产出与故障复盘
米兰架构师Abozar开源sandboxes.live项目,让5个AI智能体每日自主运行超580天。本文梳理ComicBook、数学求解器等智能体的产出,并复盘交接失败、负载均衡bug、记忆机制缺失与配色失误四类故障的解决思路。

用FalkorDB构建NexusOps:多智能体故障响应的图记忆架构
NexusOps 用 FalkorDB 多图架构为自主AI智能体构建企业拓扑大脑与事件记忆,四智能体协同处理P0故障,图算法延迟低至0.06ms。解析其架构设计、类型化Cypher工具与三条关键经验。

Kotlin手写AI客服:RAG、MCP与多智能体的工程化实践
深入解析Kotlin Multiplatform手写AI客服项目DSupport:不用Agent框架,通过RAG相关性阈值、MCP远程工具、多智能体编排与代码级护栏,实现模型负责理解、代码负责保证的工程化架构。

多智能体协作三大模式与防死循环三法则
Reddit 实践者分享多智能体协作的三种协调模式(中心化调度、对等协商、流水线接力)和三条防循环规则(最大轮次限制、状态收敛检测、角色职责边界),帮助开发者构建高效稳定的多智能体系统。

腾讯IntelliScene:多智能体推理驱动游戏场景布局
腾讯游戏AI团队在B站展示IntelliScene多智能体游戏场景布局系统:1.0用LLM集群与慢思考实现叙事驱动布局,2.0引入视觉语言模型与概念艺术引导,3.0提出分层放置架构,关键物体恢复率超90%,放置速度显著优于现有方案。

AI应用落地教程:从Copilot到Agentic AI的演进与实战
B站AI应用落地教程梳理AI从ChatGPT到Agentic AI的三阶段演进,解析多智能体协同与自主决策框架,涵盖JManners、Agent Scope、ReAct、MCP等热门技术栈,帮助开发者把握不被淘汰的AI架构能力。

大模型做编排为何失败?消费级硬件实测
消费级硬件跑大模型系列实测:77GB 协调者模型跑稳后,编排仍会丢步骤、空返回、把委派当文本输出。根因不在模型规模,而在 agentic loop 结构。确定性编排把循环交给脚本、模型只做规划与评估,同一计划从五步完成三步变为全部完成。

为什么一个AI Agent不够用?Anthropic动态工作流解析
Anthropic团队深度解析动态工作流:单智能体为何在长任务中崩溃?多智能体编排如何用1000个Agent解决OS级工程?涵盖成本配比、安全架构与Linux式分层维护的启示。

