智能体

智能体面试准备（二十三）：灰度发布与回滚——版本治理、影子流量、回归门禁与自动熔断上一篇《高并发编排与多租户隔离》解决的是"系统能不能扛住"，这一篇解决的是它的下一个问题："改动能不能安全地上线"。这是 B 系列第二十三篇。Agent 系统的发布有一个传统软件没有的特性——它的行为变更是概率性的、不可静态审查的。改一行 prompt，代码 diff 只有一行，但影响面可能覆盖全部流量，且没有任何编译器或类型系统能提前告诉你哪里会坏。更麻烦的是，上游模型供应商可能在你毫不知情的情况下悄悄更新了模型权重，你的系统在没有任何代码变更的情况下行为漂移。"你们的 Agent 怎么发版"是有生产经

带娃的IT创业者

Kimi-K3 开源背后：2.8 万亿参数的“暴力美学”与智能体的新拐点👋 Hi，我热衷于 (AI 大模型应用落地、Python 实战进阶与 AI 开发工具链）。代表专栏：《AI大模型应知应会短平快系列100篇》《解密OpenClaw》《解码意识NCTransformer》《WeClaw Agent实战》> 💡 创业路上，用技术换时间；欢迎关注我，一起把 AI 变成生产力 🚀 >

Agentic AI 架构入门（三）：Agent 的七大组件与 PRAL 循环课程：《Agentic AI Architectures with Patterns, Frameworks and MCP》笔记整理（第 66–172 页）

智谱GLM-4.5编程智能体深度实测：355B MoE架构如何重塑AI编程体验AI工具推荐赛道在2025年下半年迎来重大变量——智谱GLM-4.5以3550亿参数MoE架构横空出世，在12项国际基准评测中斩获全球第三、国产第一。作为首个原生融合推理、编码与智能体（ARC）能力的开源模型，GLM-4.5不仅对标Claude Sonnet 4，更以API价格仅为闭源模型十分之一的极致性价比直接冲击AI编程工具格局。本文从技术参数、基准对比、实测案例、API接入等维度全面拆解GLM-4.5在编程智能体场景下的真实表现。

AI 编程工具在真实项目中适合做什么？不适合做什么？🎯 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+。

Agent的诞生（三）：Skill —— 让模型掌握处理复杂流程的能力在学习 Agent 的过程中，一直接触 Tool 和 Skill 两个概念，心中便冒出个疑问：既然 Tool 已经让模型具备了调用外部能力，为什么还要多一个 Skill？这两个功能岂不重复了？

FIT2CLOUD飞致云

修复安全漏洞及相关问题，MaxKB开源企业级智能体平台v2.10.5 LTS版本发布2026年8月6日，MaxKB开源企业级智能体平台发布v2.10.5 LTS版本。本次版本更新仍以安全漏洞修复和问题修复为主，持续提升系统安全性，欢迎广大社区用户升级至新版本。

ai-agent框架spring ai/alibaba 原理源码分析(十)沙箱springai/alibaba是java的ai agent框架，本系列将深入剖析 Spring AI/Alibaba 的源码实现与核心原理，用以指导agent的开发，框架培训，改造框架，增加新特性。

数据分析小兵

金融数据分类分级实战系列一：行业标准JR/T 0197深度解读在数字化浪潮席卷全球的今天，金融数据已成为金融机构的核心资产与命脉。随着《数据安全法》《个人信息保护法》等法律法规的密集出台，金融行业数据安全治理已从"可选动作"转变为"必答题"。面对海量、异构、高价值的金融数据，如何科学分类、合理定级，构建既满足监管要求又贴合业务实际的数据安全防护体系，成为众多金融机构面临的共同挑战。JR/T 0197—2020《金融数据安全数据安全分级指南》作为金融行业首个专门针对数据安全分级制定的推荐性标准，为这一难题提供了系统性的解决方案。本文旨在深入解读该标准的核心要义，从分

智能体面试准备（十八）：Function Calling 全链路——Agent 真正动手的最后一公里前面讲了单 Agent（ReAct）、多 Agent（B15）、安全（B16）、规划（B17）。但所有这些要"落地"，都绕不开一个最基础也最关键的能力：Function Calling（函数调用）——让 LLM 决定"调哪个工具、传什么参数"。这一篇把全链路从定义到生产跑通：工具 schema 设计 → 模型决策 → 参数解析 → 执行 → 结果回填 → 并行调用与错误处理。每节给：原理 → 代码 → 面试速答 + 高频追问。配合 B14（MCP）看，刚好从"单进程工具"走到"跨进程协议"。

企业快速开发自己的 Agent：工具注册、规划、执行、记忆很多团队一上来就装 LangChain，结果被抽象层、版本变动和隐式行为拖垮，调试时根本不知道模型在想什么。对"快速开发"而言，最快的路有时是自己实现那不到 200 行的核心循环：工具注册表 + 规划器 + 执行器 + 记忆。它零依赖、可单步打印、易嵌入老系统，也方便后面做审计与护栏。

第四章查询与推理能力代码知识图谱（Code Knowledge Graph, CKG）的价值最终要通过「查询」与「推理」兑现：前者决定 agent 能否以最小代价取得准确的结构化事实，后者决定工具能否跨越单点事实回答「改这一处会波及什么」「这条数据流从哪来」之类的高阶问题。本章在第三章（抽取与增量）所确立的图结构之上，从表达力层级、查询语言暴露策略、MCP 集成粒度、推理能力矩阵、检索范式五个维度，系统比较 Graphify、GitNexus、CodeGraph 三者，并归结到评测模型 D5（查询表达力）与 D6（集成面）的

智能体面试准备（十六）：智能体安全实战——提示注入、越狱、工具滥用与防御上一篇《多智能体协作框架实战》讲的是"怎么把多个 Agent 组织起来干活"。但一旦 Agent 能调用工具、读写文件、发邮件、动数据库，它就从"聊天机器人"变成了"有执行权的数字员工"——攻击面瞬间爆炸。这一篇把智能体安全（Agent Security）从概念拉到工程：四类核心威胁（提示注入 / 越狱 / 工具滥用 / 数据泄露）→ 攻击链路拆解 → 防御分层方案 → 最小可运行防护代码 → 红蓝对抗思路。配合前面的《MCP》《多智能体》一起看，刚好串成"能力越强、护栏越要跟上"的完整认知。

熊猫钓鱼>_>

用Seed Evolving+高德地图做城市旅行规划Agent作为一个经常写 Flask 后端的 Python 开发者，我平时习惯用高德 API 做一些位置相关的工具。前段时间看到 Seed Evolving 模型做了第二次升级，主打 Coding 工程能力、Agent 检索能力和幻觉控制三个方向的提升。正好手头有高德开放平台的 API Key，就想试试：能不能让 Evolving 模型当"大脑"，高德 API 当"眼睛"，搭一个能真正用的城市旅行规划 Agent？

Zero-shot、Few-shot 和 One-shot Prompt 有什么区别？🎯 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+。

让 Agent 自己跑到终点线：Goal 模式智能体实战传统的对话式和 ReAct 式 Agent，靠的是"你说一步、它走一步"，控制权始终握在人手里。而 Goal 模式（目标驱动模式）把控制权彻底反转：人类只定义"终点在哪"，Agent 自己负责"规划路径、调用外部工具、核查进度、调整策略"，直到当前状态收敛到目标状态为止。本文先讲清 Goal 模式是什么、它和其它主流 Agent 模式（Prompt / ReAct / Plan-and-Execute / Loop）的本质区别，然后落地一个 LangGraph + 金蝶云星空 OpenAPI 的实战案例

科研小刘带你玩学术

AI Agent正在改变人工智能应用模式：从工具助手走向自主智能系统过去几年，人工智能的发展主要围绕大语言模型展开。ChatGPT、Claude、Gemini等模型让AI具备了强大的语言理解和内容生成能力。

大龄码农有梦想

AI Agent 目前最大的瓶颈是什么？过去两年，AI Agent 的能力曲线涨得非常快。它们能写代码、查资料、调用业务 API、操作浏览器，也能把一个模糊目标拆成几十个步骤连续执行。

KingbaseES 的卢智能运维体架构深度拆解数据库运维这种事吧，我干了很多年了，最大的感受是啥呢？其实就是靠人肉。对，就是你得熬。熬出来的那个经验才值钱。KingbaseES 这边搞了个叫的卢的东西。其实想法也不复杂。就是把 DBA 那些年攒下来的那套东西给弄成一种结构化的知识图谱。再加上 NL2SQL、NL2Action 这两个引擎。然后呢，你就不用啥都得自己敲命令了，用大白话说就行。下面我把我了解到的一些情况整理了一下。不是什么官方定论，大家看着玩就行。

Synapse Mind (三维智能认知图谱) 全景深度工程Synapse Mind 是一款基于 WebGL/Three.js 与大语言模型（Gemini API）深度结合的三维高维认知图谱与动态思维演化系统。它打破了传统二维思维导图（2D Mindmap）在空间拓扑拓展、多维度交叉关联及复杂认知下钻方面的局限，利用 React Three Fiber (R3F)、d3-force-3d、Zustand 以及 Server-side Gemini 3.5 Flash 构建了一个高流畅度、强沉浸感、具备深度 AI 关联推演能力的空间网络系统。