智能体

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。

长谷深风111

从 Plan 到 DAG：如何判断依赖、环与并行任务假设你让一个 AI 完成这样一件事：分析一家公司的竞争格局，写出报告，并根据结论生成一份演示文稿。AI 很快给出一个 Plan：搜集资料、整理竞争对手、分析市场、撰写报告、制作 PPT。看起来条理清楚，但真正执行时问题才出现：哪些步骤必须等前一步完成？哪些可以同时进行？如果两个任务互相等待怎么办？AI 生成的执行图，又怎么判断它真的能跑？

8.2 智能体的心跳执行模式：以智能体为核心（智能体工程）在上一节中，我们实现了以定时器为核心的心跳执行方案，通过定时器主动调度触发智能体的任务执行流程。该模式虽能满足基础的定时执行需求，但在架构解耦、智能体自主可控性上仍存在优化空间。

智能体面试准备（三十五）：行业落地案例与架构范式——从 POC 到生产的跨越本篇是 B 系列第 35 篇（B11–B34 已覆盖 Agent 评估、ReAct、记忆、MCP、多智能体、安全、HTN 规划、Function Calling、RAG 评估、可观测性、长时任务、高并发编排、灰度回滚、GUI、多模态、成本、人机协作、编程、框架、生产化、评测深化、安全对抗、自我改进、编排引擎）。前面 24 篇把 Agent 的能力组件、工程化、生产化都讲透了，但面试最常被追问的是一句话："你这些东西，到底在什么业务里、怎么落地的？" 本文把前面所有能力映射到真实行业场景，提炼出可复用的架构

循环神经网络 RNN、LSTM、GRU 是什么？为什么能处理序列？🎯 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+。

8.1 智能体的心跳执行模式：以定时器为核心（智能体工程）在前面章节中，我们已经实现了用户核心特质的自动化提取、全生命周期记忆管理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”的闭环体系。但这套体系始终依赖用户主动发起对话触发，智能体长期处于被动响应状态，无法实现无人工干预的主动记忆运维、任务巡检与状态感知。

从角色协同到可运行图：Graph Engineer 与多智能体编排多智能体系统工程化框架流程编排层理解意图与边界图工程层编译与执行保障专业岗位层独立交付结果冲突与评测层暴露不确定性

卷积神经网络 CNN 是什么？为什么适合处理图像？🎯 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+。

武雄（小星Ai）

Agent记忆系统工程排坑：从Prompt Cache被打碎到Embedding迁移数据税摘要：给 Agent 加长期记忆，demo 一天就能跑通，坑全在上线半年之后：记忆失效没人管、每次写入打碎 Prompt Cache、换 embedding 等于重交一遍数据税。本文基于 AWS 架构师团队的工程实践报告和 Mem0 2026 基准数据，结合我自己维护本地 Agent 的实测，拆解 6 个生产环境高频坑及对策，附可直接运行的冻结快照代码和 Embedding 四阶段迁移方案。

6.4 关键时刻：它自己修好了 Bug在 AI 写完代码并开始自测时，发生了一个小插曲——这在传统开发中几乎天天都会出现。它在调用生成故事的 API 时，控制台抛出了一段错误信息，提示当前运行环境不支持某个文件模块，如图 6-6 所示。