多智能体

谙弆悕博士23 分钟前
开发语言·架构·去中心化·多智能体·智能体·拍卖架构
多智能体架构详解:市场拍卖式架构(Market-based / 竞价协商)摘要:市场拍卖式架构,借鉴现实市场竞价思路做任务分配。Agent通过报价、竞标来认领任务,没有固定主管节点。它偏向资源优化,适合异构Agent集群、算力调度、机器人集群场景;和普通去中心化架构最大区别,就是内置了一套完整的竞价交易与效用评估机制。
谙弆悕博士2 天前
运维·架构·大模型·agent·多智能体·langgraph·层级树状
多智能体架构详解:层级树状架构(分级主从型)摘要:层级树状架构,也就是分级主从模式,是面向大规模复杂任务的金字塔拓扑。它和星型调度最大差别是引入了多级管理节点,不再是一个主管直接对接所有工人。本文讲清楚运行逻辑、和单层星型架构的差异、优缺点、落地场景,附带Mermaid图,适合LangGraph、CrewAI开发者阅读。
谙弆悕博士2 天前
人工智能·架构·大模型·agent·多智能体·黑板架构·anggraph
多智能体架构详解:黑板共享架构(共享存储交互型)摘要:黑板共享架构是经典的解耦式多智能体协作模式,不少开发者容易忽略,但在实际项目里用得很多。和前面几种调度型架构不一样,Agent之间不会直接互相发消息,全部依托一块公共“黑板”,也就是共享状态空间间接协作。本文梳理它的运行逻辑、和星型/层级架构的差异、优缺点、落地场景,附带Mermaid图,适合LangGraph、CrewAI开发者阅读。
谙弆悕博士2 天前
人工智能·架构·去中心化·p2p·多智能体·智能体·langgraph
多智能体架构详解:网状去中心化架构(Mesh对等P2P)摘要:网状去中心化是一套完全对等的无中心架构,鲁棒性在这些拓扑里是最强的。和黑板架构的间接共享、星型/层级这类中心化调度不一样,Agent之间可以点对点直接对话,不存在管理者。本文梳理它的运行逻辑、和黑板架构的关键差异、优缺点、落地场景,附带Mermaid图,适合LangGraph、CrewAI开发者阅读。
Flynn Liang7 天前
java·langchain·多智能体·supervisor·agentic·langchain4j
Agentic 工作流:子代理、Supervisor 与人工介入一句话结论:多 Agent 不是目的,用工作流把不确定性切成可管理的步骤 才是。能用确定性代码解决的,不要交给 Agent。
猫先生Mr.Mao16 天前
机器人·多智能体·论文解读·具身智能·自进化·roborsi
RoboRSI详解:机器人自进化为什么需要任务结构和技能边界【从零走向AGI】旨在深入了解通用人工智能(AGI)的发展路径,从最基础的概念起,逐步构建完整的知识体系。 项目地址🔗:https://github.com/AI-mzq/From-Zero-to-AGI.git
OxYGC20 天前
多智能体·智能体·ragflow·deepagents
智能体项目复盘 · deepagents 篇:1 主 3 子架构、HITL、RAGFlow 接入,以及 16 个真实踩坑💡 前面几篇把大模型的基础盘、RAG 调参、低代码平台和私有化部署都过了一遍,但那些内容有个共同上限:一个 Agent 干所有事。
一级新生1 个月前
人工智能·状态模式·agent·多智能体·智能体
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。
佳木逢钺1 个月前
人工智能·python·算法·多智能体
从火灾模拟到系统热寂:一个双非运维如何用零 GPU 推导出多智能体系统的终极死锁作者:独立研究者 Jia, Xuanyao DOI:10.5281/zenodo.23399507 声明:本文全程无数据集、无 GPU、无经费。所有结论由第一性原理推导,仿真仅作验证。
山顶夕景1 个月前
llm·agent·多智能体·harness
【Agent】A harness for every task: dynamic workflows in Claude Code为什么要多智能体?单上下文窗口的三大失败模式:Anthropic给出六种可组合的模式:分类路由、扇出-综合、对抗验证(每个干活的智能体配一个唱反调的)、生成-过滤、锦标赛排序、循环直到收敛。Bun 从 Zig 到 Rust 的整体重写,就是用这套编队完成的。
EatFan2 个月前
java·数据库·人工智能·多智能体·ai agent·mcp·agent 框架
从“框架混战“到“运行时收敛“:2026 年 AI Agent 开发框架的三条路线之争2026 年 9 月下旬到 10 月初,中文技术社区的 Agent 框架报道密度明显升高:DeepSeek Harness 的新版本解读、字节 DeerFlow 2.0 的架构介绍、strands-agents 新版能力拆解,以及微软 Agent Framework 1.0 的发布报道,几乎在同一周内被反复讨论 [1][2][4][5]。如果只看标题,很容易得出"框架混战又开始了"的结论。但把这些动态放在一起看,会发现它们回答的其实是同一个问题:当编排语法与协议底座趋于同质之后,Agent 系统的差异化究
EatFan2 个月前
人工智能·多智能体·ai agent·开源框架·mcp·agents.md
AI Agent 进入工程化下半场:从多智能体编排走向治理、标准化与运行沙箱2026 年 9 月的开源与 AI 工程信息流里,有一个现象值得单独拎出来:从 9 月 3 日的 GitHub AI&Agent 开源项目周报,到 9 月 7 日的 AI 新闻日报,再到 9 月 22 日的 GitHub Trending 盘点、9 月 24 日的掘金热榜,以及 GitHub 上的 Agentic Engineering Workflow 策展仓库,不同平台、不同作者、不同体裁的内容,反复指向同一件事——AI Agent 的竞争重心已经从"能不能编排多智能体"转向"如何治理、如何标准化、如
EatFan2 个月前
区块链·多智能体·ai agent·mcp·a2a·tool calling
多智能体协作的三套通信语言:MCP、A2A 与 Tool Calling 怎么选(附 LangGraph/DeepAgents 实战分工模式)多智能体系统上线前最容易出问题的,往往不是模型能力,而是把三种不同粒度的"通信合约"混成了一件事。本文先把 Tool Calling、MCP、A2A 放到同一张分层图里,说清各自标准化哪一段边界,再落到 LangGraph 的"拆解—执行—质检"回环与 DeepAgents 的主子调度两条工程路径上。
Alice-YUE2 个月前
大模型·多智能体·ai agent·mcp·a2a协议
A2A 协议详解:Agent 间通信标准、四大核心机制与 MCP 互补Agent 之间怎么"说话"?上一章讲了多 Agent 为什么需要协同、为什么要统一通信标准;这一章把 A2A 协议讲透:它是什么、和 MCP 是什么关系、Agent Card 与 Task 生命周期两大核心机制怎么运转、任务产出物(Artifact)和消息(Message)怎么组织,以及 4 道面试题的完整参考回答。读完你就能把"多 Agent 协作"落地到协议层面。
EatFan2 个月前
人工智能·python·算法·多智能体·ai agent·mcp·harness
AI Agent 上生产前先加三道闸门:审批、限权、可回放的工程实践关于"模型说执行就执行"的争论,其实很少停留在模型层。真正把团队拦在生产环境门外的,是这样一个问题:当 Agent 的一次工具调用产生不可逆副作用时,系统能不能在毫秒级拦住它、让人介入、并在三天后完整复现当时发生了什么。这不是提示词工程问题,而是运行时的可控性工程问题。近期社区里"先加三道闸门再碰真实业务"的提法引起了不少讨论 [1],本文在此基础上向后端纵深推进:把审批做成可持久化的状态机,把限权落到工具治理的实处,把第三道闸门升级为可重放的 Harness。
绵满2 个月前
多智能体
多智能体系统论文速读这份笔记按发表时间梳理七篇 LLM 多智能体协作(LLM-based Multi-Agent)的代表工作 CAMEL、AutoGen、AgentVerse、DyLAN、MacNet、AgentNet、MACE。它们大致勾勒出一条主线:从固定双智能体的自动对话,到通用的会话编程基础设施,再到动态组队、团队自优化,然后走向图结构下的规模化协作,最后走向去中心化自组织与可学习的动态编排。顺着读能看清这个方向如何一步步把"多个 agent 怎么高效协作"这个问题结构化
钝挫力PROGRAMER2 个月前
多智能体·bisheng·弱模型
在 bisheng 平台搭建「主-子智能体」协同:弱模型适配、执行效率与问题记录关键词:多智能体编排 / 低能力模型适配 / 确定性引擎化 / 长文本落盘 / ReAct 协议陷阱 / 失败可见性 场景:在bisheng平台搭建多智能体协同(专家智能体 → 逻辑流图智能体 → 部署方案智能体 → 部署流图智能体 ),并跑通"总智能体规划主导 + 子智能体执行"。
deepseek232 个月前
人工智能·多智能体·ai agent
OpenAI 一万 Agent 解纳维-斯托克斯拆解:scaling 从参数换成并发,AGI 标尺从准确率变成连续工作时长2026年9月16日,OpenAI总裁Greg Brockman在一场a16z访谈里宣布:我们现在已经进入AGI时代。
CHAM_GJ2 个月前
知识图谱·多智能体·检索增强生成(rag)·ai 大数据预警·处置方案自动生成·大模型(llm·应急管理能力
从“狼来了“到“怎么打狼“:AI 大数据预警与处置方案自动生成调研调研说明:本文基于 2025—2026 年公开政策文件、行业落地案例与一线工程实践整理,聚焦一个被长期忽视的断层——预警系统会喊"狼来了",却从不说"现在该怎么打狼"。当大模型、知识图谱与多智能体走向成熟,这条从"感知"到"行动"的链路正在被打通。