ai agent

红迅低代码平台（redxun）

构建企业“第二大脑“：AI低代码平台如何打造智能知识中枢？在知识密集型行业，企业最大的资产是沉淀在员工大脑、项目文档和沟通记录中的隐性知识。但这些知识往往分散、易流失、难利用。一个融合了知识图谱、自然语言理解和智能搜索的AI低代码开发平台，能帮助企业将散落的智慧珍珠串成项链，构建一个可对话、可推理、可行动的"企业第二大脑"。

【论文速读】达尔文哥德尔机 (Darwin Gödel Machine): 自进化智能体的开放式演化论文标题: Darwin Gödel Machine: Open-Ended Evolution of Self-Improving Agents 作者: Jenny Zhang ∗ , 1 , 2 ^{*,1,2} ∗,1,2, Shengran Hu ∗ , 1 , 2 , 3 ^{*,1,2,3} ∗,1,2,3, Cong Lu 1 , 2 , 3 ^{1,2,3} 1,2,3, Robert Lange † , 3 ^{†,3} †,3, Jeff Clune † , 1 , 2 , 4 ^{†

zhangshuang-peta

Kong MCP注册表与Peta：在人工智能系统中连接服务发现与运行时安全一、在 AI 驱动应用中，把智能 Agent 与工具/数据可靠且安全地连接起来，是关键挑战在 AI 驱动的应用世界里，把智能 Agent 与工具和数据可靠、安全地连接起来，是一个关键挑战。两种新兴方案分别从这个问题的不同侧面切入：Kong MCP Registry 侧重于 AI 工具的服务注册与发现，而 Peta 则在这些工具被实际使用时提供运行时控制、可观测性与安全能力。本文将介绍并分析 Kong MCP Registry 在基于 Model Context Protocol（MCP）的架构中的角色，

【Agents篇】04：Agent 的推理能力——思维链与自我反思🔖 系列文章：本文是 Agents 系列的第四篇，深入探讨 AI Agent 的核心推理能力🏷️ 标签：LLM Agent 推理 Chain-of-Thought ReAct Reflexion

zhangshuang-peta

适用于MCP的Nginx类代理：为何AI工具集成需要网关层一、把 AI 模型连接到外部工具正在变得“必需” 将 AI 模型连接到外部工具，正在成为构建高级“Agent（代理）”系统的关键要求。Model Context Protocol（MCP，模型上下文协议）已经成为一种开放标准，用来让这种集成更容易。但即便已经有了 MCP，组织仍然发现：一个代理/网关层依然至关重要——就像在 Web 架构里 Nginx 充当网关一样。本文会解释 MCP 是什么，以及为什么在基于 MCP 的架构中仍然需要一个类似 Nginx 的代理/网关。我们也会以 Peta 作为该网关层的

User_芊芊君子

2026 AI Agent 风口必看｜四大技术变革+多Agent实战🎁个人主页：User_芊芊君子 🎉欢迎大家点赞👍评论📝收藏⭐文章 🔍系列专栏：AI【前言】2026年，AI Agent 正式告别“实验室Demo阶段”，迈入工程化规模化落地元年。不同于2024-2025年的概念炒作，如今的AI Agent已形成完善的标准化技术体系，A2A跨Agent协作、MCP工具调用协议、Skills模块化等热点技术集中爆发，成为开发者必学的核心赛道。

zhangshuang-peta

超越Composio：ContextForge与Peta作为集成平台的替代方案一、背景与写作目的 Composio 是一款在 AI 应用集成领域非常流行的平台，核心价值是：用很少的代码，把大语言模型（LLM）Agent 连接到大量外部工具，并提供内置的认证管理能力。它拥有 150+ 预构建工具集成（从 GitHub 到 Salesforce 等），让开发者可以快速把 AI Agent 接入真实业务系统。

【Agents篇】09：多智能体协作——分工与涌现🌟 系列导读：当单个Agent的能力达到瓶颈，我们开始思考：如果让多个Agent像人类团队一样协作，会产生怎样的化学反应？本文将深入探讨多智能体系统中的协作模式、对抗博弈以及那些令人惊叹的涌现行为。

【Agents篇】06：Agent 的感知模块——多模态输入处理🎯 系列导读：在前几篇文章中，我们探讨了 Agent 的基础架构、记忆系统和规划能力。本篇将深入剖析 Agent 的"感官系统"——感知模块，了解 Agent 如何通过多模态输入处理来"看见"和"听见"这个世界。

zhangshuang-peta

大规模管理MCP服务器：网关、延迟加载与自动化的应用案例一、按工具拆分 MCP Server 的运维复杂度理论上，为每个工具单独部署一个 MCP server 能保持模块化——每个服务都有自己专属的集成端点。然而，这种架构在生产环境中会迅速变得运维复杂。随着工具数量增长，需要运行、配置和维护的 MCP server 数量也随之增加。每个 MCP server 本质上就是一个提供一个或少数工具的微服务。在多用户环境里，这个数量会进一步倍增——例如，如果每个用户或团队都需要某些工具的独立实例或独立凭证，你最终可能要管理几十个 server 实例。原本看起来很简单

【Agents篇】08：单智能体应用——任务、创新与生命周期🚀 系列导读：本文是AI Agents系列的第八篇，深入探讨单智能体（Single Agent）在实际场景中的应用。我们将从代码助手、研究助手、游戏AI到数据解释器，全面剖析单智能体的任务执行、创新能力与生命周期管理。

【论文速读】MUSE: 层次记忆和自我反思提升的 Agent论文标题: Learning on the Job: An Experience-Driven, Self-Evolving Agent for Long-Horizon Tasks 作者: Cheng Yang 1 , 2 † ^{1,2†} 1,2†, Xuemeng Yang 2 † ^{2†} 2†, Licheng Wen 2 , 4 † ^{2,4†} 2,4†, Daocheng Fu 3 , 2 ^{3,2} 3,2, Jianbiao Mei 5 , 2 ^{5,2} 5,2, Rong

AI Agent KernelCAT：深耕算子开发和模型迁移的 “计算加速专家”当前，人工智能的浪潮正推动全球算力需求呈指数级增长。然而，在这一片繁荣的技术景象之下，一个深刻且紧迫的结构性问题日益凸显。与其说全球算力格局的核心矛盾是芯片制程的物理极限，不如说是一场围绕软件生态主导权的激烈博弈。对于致力于发展自主可控 AI 产业的中国而言，真正的挑战往往不在于设计出性能优异的硬件，而在于如何构建一个繁荣、高效、且能够自我演进的软件与应用生态。这便是 “生态壁垒” 远高于 “硬件壁垒” 的时代现实。

小白跃升坊

基于1Panel的AI运维本文档将介绍如何通过1Panel进行AI运维，具体步骤包括安装部署1Panel、安装GO环境、安装mcp-1panel、配置MCP服务、安装MaxKB和Cursor并配置，最后提供简易的AI运维示例。

LangChain入门（十五）- LangGraph为什么这么香，看它是如何逆天DIFY的在构建复杂的 AI 应用时，我们常常面临一个核心挑战：如何优雅地处理多步骤、动态决策、状态依赖的执行流程。传统的链式调用（如 LangChain 的 LCEL）虽然简洁高效，但在面对“需要根据中间结果动态决定下一步操作”或“多次循环检索-推理”等场景时，往往显得力不从心。而市面上一些低代码平台（如 DIFY）虽然提供了可视化编排，却在灵活性与控制粒度上存在明显短板——尤其在需要精细干预每一步逻辑、实时反馈或并行处理多个知识源时，其“黑盒”特性反而成了瓶颈。

LangChain入门（十四）- Agentic RAG 的正确打开方式：用 LangChain 实现“有思考、可解释、不遗漏”的检索增强问答在构建检索增强生成（RAG）系统时，许多开发者会陷入一个两难：是追求极致效率，把所有检索结果一次性丢给大模型生成答案；还是牺牲一点性能，让 AI 分步骤“思考”并逐步输出中间结论，以提升透明度和用户信任？前者看似简洁高效，却容易变成黑盒；后者虽然体验友好，但若设计不当，极易导致重复检索、LLM 调用冗余、答案冲突等问题。最近，一种结合 LangChain 与 Qdrant 的 Agentic Flow 被广泛尝试：用户提问后，系统先用 LLM 动态拆解出多个子问题，再逐个检索、逐个生成中间回答，最后汇总成

LangChain入门（十三）- 6步实操Agent落地大法过去几年，大模型和 Agent 的讨论铺天盖地，但多数团队卡在同一个问题上：知道 Agent 很强，却不知道第一步该写什么代码。产品经理画了流程图，工程师接了 API，结果跑起来发现 AI 根本理解不了用户意图；或者能跑通几个例子，一上线就幻觉频出、成本飙升。问题不在技术，而在方法——我们沿用了传统软件开发的思维去构建一个概率性系统。Agent 不是功能模块的堆砌，而是推理链的编排。它需要一套全新的启动逻辑：先验证理解能力，再接入工具；先明确边界，再扩展场景。LangChain 团队在大量实践中总结出一套

红迅低代码平台（redxun）

2026年AI开发平台如何驱动金融、制造、零售的场景化落地？通用型的AI工具已无法满足行业纵深需求。2026年，AI开发平台的竞争力将高度体现在其对垂直行业场景的深度理解与支撑能力上。金融、制造、零售作为数字化先锋行业，其智能化痛点与路径具有代表性。本文将剖析在这三大行业，2026年AI开发平台怎么选，以及典型的AI应用如何落地场景。

基于 Coze 数据库的智能体中枢：智能体来了（西南总部）如何构建 AI Agent 指挥官随着大模型能力由“单点推理”向“多任务协同”演进，人工智能应用正在从工具化阶段进入智能体化阶段。当前多数 AI Agent 在实际部署中仍面临知识分散、角色冲突、调度失序与结果不可控等系统性问题。基于 Coze 数据库构建的智能体中枢，通过引入“AI Agent 指挥官”这一中枢角色，将知识、任务、工具与子智能体纳入统一调度与约束体系，实现可控、可解释、可扩展的智能协同机制。该结构为组织级 AI Agent 落地提供了一种可复制的系统范式，对智能体规模化应用、数字基础设施升级及长期人机协作具有基础性意义。

重构认知——AI智能体来了从0到1的落地工程全指南摘要：当大模型从“对话框”走向“行动力”，AI智能体（Agent）成为了连接通用智能与行业价值的核心载体。本文将打破单纯的“调参”思维，从感知、决策、执行、记忆四大底层架构出发，系统性梳理智能体开发的“五步跃迁法”，助你从零构建具备行业深度与自主能力的数字生命。