智能体

递归尽头是星辰

大模型 Agent 知识体系：Java 开发者视角下的原理、架构与选型边界在大模型浪潮下，Agent（智能体）已成为生成式 AI 工程化落地的核心热点，但 Java 后端领域普遍存在认知偏差与过度设计问题：不少团队将单次工具调用、RAG 系统等同于 Agent，在流程固定的业务中硬套智能体架构，最终引发时延上升、成本失控、稳定性下降等工程问题。

智能体 Loop 工程：循环架构与状态机"智能体（Agent）"和"一次性调用大模型"最大的区别，在于循环。单次调用是"你问一句、它答一句"；而 Agent 会反复执行一个闭环：先感知环境（读状态/读工具返回），再推理下一步，再行动（调工具/写文件），再观察结果，然后带着新信息进入下一轮。这个不断自转的环，就是 Loop 工程的研究对象。工程化的核心问题不是"模型够不够聪明"，而是：这个环怎么停、怎么不死循环、怎么不爆上下文、怎么在出错时自愈。

11.4 基于扣子编程的实现过程（AI 数据质检工作流）叶彦辛《扣子编程从一句话到产品上线：零门槛AI心流开发》全书案例分享~_扣子编程从一句话到产品上线:零门槛ai心流开发-CSDN博客

圣殿骑士-Khtangc

DeepSeek Harness 系统架构与运行原理深度解析如果你只把 dsh 当成一个"能跑 Agent 的命令行工具"，那你只看到了它的壳。DeepSeek Harness 真正有意思的地方，在于它把"一个智能体能跑起来"这件复杂的事，拆成了一棵可以被任意插拔、叠加、替换的插件树。本文不堆术语，而是顺着"它从哪一层开始，一层层怎么拼起来，一条消息最终怎么变成一个 turn"这条线，把它的系统架构和运行原理讲透。

AI 应用怎么评测？离线评测、人工评估和线上反馈如何结合？🎯 博主简介你好，我是安逸，CSDN「人工智能技术领域新星创作者」，码龄 6 年。博客总访问量 31万+，博客粉丝 1.2万+。

Magma：微软如何用一个模型打通数字与物理世界的 AI Agent论文深度解析：Magma: A Foundation Model for Multimodal AI Agents 作者：Jianwei Yang, Reuben Tan, Qianhui Wu 等（Microsoft Research / University of Maryland / UW-Madison / KAIST / UW）项目主页：https://microsoft.github.io/Magma

智能体面试准备（四十三）：具身智能体与机器人实操——从 VLA 到 Sim2RealB24 讲智能体怎么操控图形界面（Computer Use），B40 讲自主智能体前沿里点到过具身与世界模型。本篇站到机器人视角，把那套"感知—决策—执行"落进真实物理世界：一个具身智能体（Embodied Agent）要能看、能想、能动手，在三维空间里抓取、移动、导航。这是大模型从"屏幕里的文字世界"走向"真实物理世界"的关键一跃，也是华为这类做多模态 + 机器人/终端岗位最看重的硬方向。本篇讲清具身智能的栈、VLA 模型、操作与导航、Sim2Real，以及它和普通 LLM Agent 的根本不同。

Agent OS：企业智能体的控制平面网络工程领域有一个影响了十几年的架构决策：把转发和控制分开。交换机上只留转发逻辑，路由策略集中到控制器上计算，两者各司其职。后来云计算把同样的思路搬进数据中心，调度器决定容器落在哪台机器，机器只管执行。两次分离带来的好处一致：执行层保持简单高效，策略层集中演进。企业里的 Agent 队伍，现在长到了需要同样一刀的规模。

7.1 需求分析与规划《AI Agent智能体开发实践》需求分析是智能体开发的起点，核心是明确智能体的目标、应用场景、核心能力及约束条件，为后续开发提供清晰方向。

Bruce_Liuxiaowei

安全意识培训——大模型在安全培训中的创新应用分类：AI应用、安全培训、安全意识、教育培训“安全意识培训"在大多数单位是走形式——放一段视频、发一份试卷、签一个字。员工觉得无聊，安全人员觉得无奈，但出了安全事件第一个被追责的就是"培训不到位”。

李昊哲小课

大模型应用开发课程——项目 13～16 完整教程技能 = 把"提示词 + 工具 + 输入校验 + 结果格式化"打包成一个可复用、可组合、可发现的能力单元，是比"工具（Tool）"更高一层的业务抽象。

视觉 Token 是什么？图片是怎么送进大模型的？🎯 博主简介你好，我是安逸，CSDN「人工智能技术领域新星创作者」，码龄 6 年。博客总访问量 31万+，博客粉丝 1.2万+。

7.1 项目背景与价值（数据分析专家Agent）叶彦辛《扣子编程从一句话到产品上线：零门槛AI心流开发》全书案例分享~_扣子编程从一句话到产品上线:零门槛ai心流开发-CSDN博客

7.1 User特质的周期提取与自进化（智能体工程）《智能体工程驱动AI Agent开发》1~6章试读-持续更新-CSDN博客在前面的章节中。我们实现了基于单轮对话的用户特质实时抽取，完成了用户偏好、行为习惯、核心诉求的基础画像构建。但该逐轮抽取模式存在不可忽视的核心缺陷：持续的特质抽取指令与重复的特征校验，会带来大量非必要的词元开销，长期对话中会持续挤占宝贵的上下文窗口资源，同时还存在特质碎片化、跨轮一致性不足、冗余信息堆积等问题，反而会影响Agent交互的精准度与响应效率。

Bruce_Liuxiaowei

从零到可运行：基于 Vue3 + FastAPI + DeepSeek-V3 的 AI 英语单词学习系统全栈实战一份真实、完整、可复现的全栈项目复盘。包含架构设计、数据库建模、AI 词库生成、前端交互、踩坑修复与实测数据。

7.2 上下文记忆的优化与重整合（智能体工程）《智能体工程驱动AI Agent开发》1~6章试读-持续更新-CSDN博客在前面章节中，我们已实现用户核心特质的自动化提取、持久化存储与智能体基础自进化能力，完整搭建起“记忆提取－动态更新－持久化存储－上下文注入”的基础读写闭环。但这套基础方案在长周期、多轮次的对话运行中，逐渐暴露出一系列核心短板：缺乏记忆冲突校验机制导致新旧信息异常覆盖、无标准化去重逻辑造成内容冗余堆积、全量记忆强制注入引发上下文Token无效膨胀、历史任务执行经验无法被有效复用等，直接制约了智能体长周期运行的稳定性与自进化的精准度。

行业研究员

腾讯云ADP：智能体平台封神榜企业落地大模型智能体正从" Demo 玩具"步入"生产级刚需"，但多数平台在真实业务里频频翻车：知识库答非所问、工作流半路中断、工具调用成功率不足。IDC《中国智能体开发平台市场份额，2025》显示，私有化市场总规模已达17.5亿元，头部由综合云厂商主导，竞争焦点正从Agent开发编排向全生命周期运营迁移。市场狂奔之下，企业真正焦虑的是——谁能把"准确率、完成率、提效比"三项硬指标同时拉满。

今天你AiPy了吗

AI桌面助手的隐私底线数据可落本地不出域，还能一键切换云端，全能智能体本地部署模型 + 数据不出域 + 本地数据分析，让数据更安全。这一篇讲实现。一、数据不出域：全在本地★ 本地文件处理在本地。所有 Excel、文档、批量改名、数据整理等操作，在本地完成，不上传任何信息。

weixin_50913834

【无标题】当智能的边际成本趋近于零，文明的竞争格局将被彻底重写。2024年以前，AI行业衡量进步的标尺是参数规模、基准分数和生成速度。但在数据中心吞噬了整座城市的电力、训练一个大模型的碳排放超过一个小镇全年能耗之后，整个行业被迫直面一个物理学层面的灵魂拷问——我们到底在用多少能量，换取多少智能？

7.3 面向Agent的提示词设计方法论本节以笔者发给扣子编程的原始提示词为例，抽取其中可复用的设计原则。这段提示词虽然只有寥寥数行，其背后却隐含五个关键的设计决策。提示词页面如图7-1所示。