智能体

信息安全失业大专人员

每日了解一个智能体-WorkBuddy先看我们这行最典型的一件重复劳动：季度安全运营报告。我做过一份某银行邮件网关的 Q2 报告：9 章、3 张表、20 张截图。它的真实工作流长这样：

虎鲸不是鱼

【虎鲸养殖手册 B007】命令执行的安全细节：白名单不是防弹衣位置：V0.1.0 · C02/C03｜因子：授权（把"能执行"收窄成可枚举的动作）｜台阶：可控执行 · 弧线：被壳调用之前

郝学胜-神的一滴

AI 编程智能体 20：技术栈选型与架构落地全攻略当下AI智能体早已不是高高在上的概念，而是落地各类业务的刚需能力。但很多开发者入门时总会陷入纠结：到底选什么框架？单智能体和多智能体怎么区分？低代码和源码开发该怎么取舍？

AI时代RPA技术解析：如何构建兼顾流程执行与智能决策的自动化平台？摘要： RPA曾是企业自动化市场的热门赛道，如今又迎来大模型与AI智能体带来的新机会。当AI开始尝试接管复杂任务，企业选择RPA平台，不能只看传统流程执行能力，还需要重新审视系统兼容、流程治理、异常处理与AI融合能力。技术路线在变，但决定自动化能否长期创造价值的，始终是平台对真实业务的支撑能力。

小易老师AI实战

用中间件把任务规划嵌进智能体循环多步任务的计划不能只写在提示词里。提示词下一轮就会变成普通历史，并行工具调用还会把同一份列表写乱，简单问答又会被规划流程拖慢。更稳妥的做法是：把待办放进图状态，用一个只做整表覆盖的工具去改它，在每次请求模型前注入规划约束，在模型返回后拦截违规的并行写入。读写文件这类领域工具只做领域的事，不碰进度。

Codex CLI 介绍和使用基于：Codex CLI 0.165.0（2026-10-27 发布），macOS arm64 ｜日期：2026-10-29

大模型面试高频题：Transformer、MoE、RLHF、DPO 核心原理拆解如果你正在准备大模型算法工程师、LLM 应用开发工程师或 AI 相关岗位的面试，那么 Transformer、MoE、RLHF 和 DPO 这四个知识点基本绕不开。

金融AI Agent厂商怎么选？系统集成、API/RPA、权限审计与异常恢复能力评估在金融机构的智能体选型测试现场，我们经常能看到这样的场景：一份格式标准的招股书发过去，各大方案都能迅速生成结构完整的摘要，但如果把测试样本换成一张扫描模糊、补充说明里单位不一、甚至关键数据前后矛盾的真实财报，各家系统的处理逻辑就出现了分化。

骑着蜗牛撵大象327

让 Codex 值夜班：把告警排查与巡检接成可回滚的自动化链路半夜告警响起来，值班群里最让人心里一沉的是那句“服务挂了”。人肉登机器、翻日志、一条条敲命令，折腾十分钟把故障压下去了，天亮还得补一份谁也说不清的排障记录。

xianghongtao0116

DeepSeek成名之后的路从一个被认真对待的研究想法，到震动世界的 R1，再到融资前夜。这二十一个月里，DeepSeek 留下了一串版本号，也留下了关于创新、耐心和分享的另一种回答。

企业级AI智能体厂商对比：模型服务、Agent平台与流程自动化如何选择？摘要： AI进入企业，难点不在于多一个会回答问题的助手，而在于让它真正接入业务、承担任务。华为云、百度智能云、阿里云、腾讯云与金智维，分别在智能体平台、模型服务和流程自动化等方向布局。对于央国企和大型集团，选型的关键，是找到能够适配既有系统、满足安全治理要求，并将AI能力转化为实际业务成果的技术路径。

一马平川的大草原

企业语义本体（Ontology）构建方法论及智能体应用的保障机制最近研读了《2026年企业级智能体商业演进十大趋势洞察报告-》、《2026智能体时代企业语义基础设施白皮书》等技术报告，基于大模型的智能体应用在具体实施过程中，需要通过构建语义本体进行理解和约束。构建企业语义本体（Ontology）的核心理念是构建-沉淀-演进三位一体方法论，旨在把企业的数据、业务对象、关系与规则抽象为一张结构化语义地图，解决通用大模型不理解企业业务语言与业务规则的瓶颈问题。特别是在工业领域，智能体落地的核心底线是认知可以概率化，执行必须受约束。为了防止智能体产生“幻觉”或越权执行导致生产

多智能体协作：常用协作模式详解本文整理自一段与 AI 的对话探讨（2026-10-23）。内容由大模型生成，具体平台能力请以实际使用的版本为准。

Docker 部署 MaxKB：轻松搭建企业级智能体平台本文基于 1panel/maxkb:v2.10.7-lts，以 v2.10.7-lts 版本实测，内置 PostgreSQL 17.11，测试平台 Ubuntu 24.04 Linux。

飞猫的边缘AI

芯片设计会不会全自动化？什么时候到来？芯片设计（IC设计）自动化现在正处在一个过渡期：工具越来越能干，但还没到全自动程度，不过单个环节的自动化已经比较成熟。业界普遍认为全自动还要好几年，主要是定架构和最终签核短期内换不了。

Data_AI4Science

AI 时代，人更重要了“AI 会不会取代人？” 这可能是近两年被问得最多的问题。从白领到工程师，从设计师到科学家，人人都在担心自己的工作被 AI 替代。但很少有人意识到一个正在发生的真相：AI 时代，人非但没有变得不重要，反而比以往任何时候都更重要。不是 AI 在替代人，而是 “会用 AI 的人” 正在以一当十、以一当团队，重新定义研发效率的天花板。在软件开发、新药研发、材料研发这三大知识密集型行业，这种变化尤为剧烈。

围炉聊科技

AI原生SDLC实践笔记一直在用 AI 做工程研发。前段时间读了 Anthropic 应用 AI 团队的《The AI-Native SDLC Playbook》，读完顺手拿它当尺子，量了量我过去两年几个项目的实践。这一篇记实践，差距那部分单独成篇。

统一目的的分布式智能体 vs 多个独立应用智能体的集成当软件开始直接承担事务的持续推进时，一个根本问题随之出现：我们是在给既有应用分别赋予智能，再将它们连接起来，还是在构建一个具有共同目的、由分布式能力共同实现的行动整体？

用 Node.js + Vue3 打造一个家居装修 AI 智能咨询助手装修是典型的"信息不对称"行业：风格怎么选、材料怎么挑、工艺怎么验收、预算怎么控，普通业主往往要跑十几家门店、刷上百篇笔记才能拼凑出答案。本文分享一个基于大模型的家居装修智能咨询助手的技术实现思路——用一套轻量的 Node.js 全栈方案，把"专属领域智能体"落地成一个可对话、可管理、可追溯的产品。