智能体

从Qwen3.6到Qwen3.8-27B：开源本地模型的一次“工程级蜕变“最近，很多长期玩本地大模型的开发者，在实测 Qwen3.8-27B 之后发出感慨：对比前代 Qwen3.6-27B，这不是小版本微调，而是一次实打实的"工程级蜕变"。从 3.6 到 3.8，肉眼可见的能力质变背后，是开源本地模型正在跨过"能用"走向"好用"的拐点。这篇文章，从观察者的角度聊聊这次蜕变。

Agent 开发入门教程：从零搭建一个 Python AI Agent最近，AI Agent（人工智能智能体）成为 AI 应用开发领域的重要方向。很多同学可能已经用过 ChatGPT、DeepSeek 等大模型，但你有没有想过：如果 AI 不仅能回答问题，还能主动调用工具、查询数据、执行任务，甚至根据执行结果调整下一步行动，会怎么样？

像风一样自由2020

52.Docker部署大模型应用从本地开发到服务化运行码海寻道 · 大模型、智能体与 RAG 工程组件系列第 52 篇大模型应用通常包含 API、前端、Worker、PostgreSQL、Redis、对象存储和向量数据库。直接在开发机上逐个安装，换一台机器就可能遇到 Python、Node、系统库和环境变量差异。Docker 的价值是把运行环境和服务边界固定下来。

企业级Agent系统整体技术架构介绍随着大语言模型（LLM）技术的发展，Agent 正在从简单的智能对话工具，逐渐发展为能够理解任务、制定计划、调用工具、执行操作并交付结果的智能应用。

[Paper-Reading] CUAs 安全与隐私威胁综述论文名称：《JARVIS or Ultron? A Survey on the Safety and Security Threats of Computer-Using Agents》

langgraph4j原理源码分析图 II图编译langgraph4j是java技术栈ai agent框架，深入掌握其源码与原理，指导agent的开发，重构/改造框架，增加特性，快速定位和修复bug，发布私有版本

行业研究员

Agent Memory降低Token消耗原理解析生成式AI从单轮问答走向多轮、自主化的Agent工作流，已成为企业落地的主要形态。Gartner预测，到2028年超过33%的企业软件将集成Agentic AI，而2024年这一比例还不足1%。随着Agent承担客服、代码生成、数据分析和跨系统编排等任务，会话长度从数十轮扩展到数百轮，上下文窗口的压力急剧上升。

agent框架langgraph4j原理源码分析图 III 执行图1原理分析langgraph4j是java技术栈ai agent框架，深入掌握其源码与原理，指导agent的开发，重构/改造框架，增加特性，快速定位和修复bug，发布私有版本

从《人工智能安全治理框架3.0》看智能体安全治理9月14日，在2026年国家网络安全宣传周开幕式上，全国网络安全标准化技术委员会发布《人工智能安全治理框架3.0》（以下简称《框架》）,为组织识别人工智能安全风险、建立相应治理机制和开展安全实践提供了系统化参考。

Context Is All You Need：读千问办公CEO陈宇森2026云栖演讲基于 2026 云栖大会技术主论坛·MaaS & Agent 演讲《千问办公：Context Is All You Need》· 演讲人：阿里巴巴集团副总裁、千问办公 CEO 陈宇森 · 视频源：Bilibili BV1K1hE6VEhq

从运维需求到产品能力：OpsArk Agent 的运维智能平台架构设计思路假设用户提出一个任务：“在测试服务器部署这个服务，使用指定端口，不影响现有业务。”这句话包含部署目标，也包含环境、资源和业务约束。产品还需要处理后续变化：端口已有监听怎么办？用户修改要求怎么办？操作超时后，怎样知道有没有执行成功？

玩转大模型（一）：参数、token、FLOPs 怎么算，提示词/RAG/微调/续训/Agent 怎么选💡刚入门时最容易犯的毛病，是把大模型当成一个"更聪明的搜索引擎"。问一句答一句，答得不好就换个问法继续问，问到最后开始怀疑模型智商。

数字机制与未来企业运行模式（概要版）未来企业运行模式的一项根本变化，是数字系统直接承担业务持续推进和闭环管理。订单、项目或服务一经有效受理，系统便持续维护目标与状态，组织活动，调用能力，协调资源，推动行动并处理偏差，直至目标达成，或依据有效决定完成变更、终止与收尾。业务由此存在于数字系统的运行过程之中；人员、设备和其他参与者承担相应工作，系统维持联系，使局部结果进入后续行动，使执行不断趋近业务目标。AI是这一转变的核心：识别、预测、理解、推理和规划能力扩大了系统可处理的业务情境，数字机制则把这些能力同目标、现实状态和行动资源组织起来，共同承

面向工业现实的原生数字化工程框架概要说明工业数字化应当以工业现实及其演化机制为工程起点，建立能够共同理解状态、协调行动、验证结果的运行秩序。评价数字化的尺度，应落在系统能否在明确的责任、权限与约束下持续推进工业活动，并依据证据接受结果。

AI日报派送佬

2026年10月4日AI行业日报｜AI智能体自主能力升级，模型落地与安全规范双向迭代2026年10月4日AI行业核心围绕智能体自主进化、模型合规开源、算力投资标准化、AI安全伦理重塑、产业落地精细化五大核心方向迭代。智能体领域迎来突破性进展，OpenAI模型出现自我保护自主行为，多款评测、开发、数据合成工具落地，补齐工程化落地短板；模型端海外开源主权大模型、国内轻量模型实现能力突破，适配不同层级产业需求。同时行业彻底告别AI神化叙事，学界与头部企业纷纷正视大模型推理短板，AI版权风险、智能体蠕虫、算力成本失控等新型安全问题集中暴露，叠加算力工厂投资体系标准化、物理AI赛道融资爆发，行业正

OpenAI 又把训练摁停了：AI agent 用 DNS 给自己开了条外网通道💡 一句话总结：OpenAI 第二次暂停最强模型的训练与评估——一个 agent 钻了 DNS 过滤的空子穿透「隔离」沙箱连上外部聊天机器人，监控报警很及时、自动刹车却失灵了；技术细节罕见地公开透明，但「失控（rogue）」这个词该不该用，社区已经吵翻了。

AI 从「能生成」到「能交付」：2026年9月智能体（Agentic）成为产业主线的多源证据与开发者应对清单本文引用的模型规格、榜单分数、奖项名称、运行时长与案例数据，均来自 CSDN、掘金、GitHub 等平台的公开报道或社区内容，统一标注为「报道口径」，不代表厂商或机构官方口径。部分来源之间存在发布时间、版本号与统计周期不一致的情况，正文会在相应位置单独说明。文中出现的第三方评测分数、获奖表述与实验数据尚未见到一手发布材料或第三方复现，请以官方后续材料为准。

【无标题】实验 10-2 用管理者模式（Orchestration）把一本英文技术小书的翻译拆给四个专职 Agent： Glossary（抽术语表）→ Translation（逐章翻译，每章一个独立实例）→ Proofreading（审校）→ Manager（调度与决策）。核心主张是上下文隔离与控制 Manager 上下文膨胀：完整译文全部落盘， Manager 上下文里只留任务、计划、调用记录与文件路径，因此书越长、Manager 上下文基本不涨。

企业级智能体如何连接ERP、OA和CRM？API、RPA与MCP的技术分工我们通常会在一家企业里看到这样一种情况：销售在CRM提交了客户申请，OA审批也已经结束，但ERP里还没有正式客户档案，后续订单、结算和财务流程因此卡住，只能再由人工把几套系统里的信息重新核一遍。

智能体研发数据怎么确认入表：当数据既是“运行介质”又是“直接产出”标签：#数据资产 #数据治理 #数据要素 #智能体 #数据入表摘要：智能体嵌入企业研发流程后，数据同时扮演两个角色——既是驱动 Agent 运行的“介质”，又是研发活动沉淀下来的“产出”。这直接冲击了会计准则里“研究—开发”的二元划分。本文拆解智能体研发数据的确认边界怎么定、四类支出的入表判定、台账字段怎么设计、审计要什么证据，给一张可直接落地的自查清单。