agent

亚马逊云开发者

5 分钟用 Amazon Bedrock 搭一个 AI Agent：从零到能干活最近打开掘金，热榜一半都是 AI Agent 相关的内容——OpenClaw 拆解、MCP 协议、Function Call 实战... 概念已经讲了不少，但真正从零搭过一个完整 Agent 的人可能不多。

肥肥旭手记

opencalw平替之nanobot 源码解析（一）：环境搭建、Debug 配置与 onboard 命令详解学习任何一个开源项目，第一步永远是：把它跑起来，然后看它怎么动。nanobot 的安装和配置非常简单，但简单背后隐藏着很多 Agent 设计的精妙之处。今天，我们就来拆解它的“启动仪式”。

阿里云大数据AI技术

告别先开发后治理：Agent 驱动的数据质量一体化交付对于开发者而言，离线数据开发中数据质量建设的核心挑战，从来不是“能否配置规则”，而是：质量规则能否像代码一样低成本、高可靠地融入研发交付全流程。当质量规则游离于开发链路之外，治理便退化为被动补救：SQL上线后补配质量规则、字段变更引发误报漏报、规则与代码版本脱节……最终导致规则越配越多，忙于补救的恶性循环。

老纪的技术唠嗑局

Agent / Skills / Teams 架构演进流程及技术选型之道前几天阅读了一些阿里、蚂蚁大佬们在内部分享的 AI 技术文章。其中有几篇写的实在太好，学习完之后受益极大。在这里分享给大家~

数据智能老司机

Kubernetes 上的生成式 AI——模型数据在 Kubernetes 上运行 LLM 时，最根本的挑战之一，就是如何管理体量巨大的模型数据。LLM 的大小从几 GB 到接近 1 TB 不等，而要高效地把这些数据引入集群、并让运行时能够访问它们，就必须进行审慎设计。

大白话聊一聊：为什么OpenClaw那么火文 | Jomy @302.AI文章导读：2026 年初，开源项目 OpenClaw 在两个月内斩获 25 万 GitHub Star，成为史上增长最快的开源项目。从技术上看，它只是一个标准的 CLI Agent，但通过接入 IM、实现 24/7 主动交互，并依托开源生态，OpenClaw 把原本属于开发者的 AI Agent 带到了普通用户面前。本文将拆解它爆火背后的三个关键原因，以及这股 Agent 浪潮意味着什么。

数据智能老司机

如何对 AI Web 智能体进行身份认证AI Web 智能体可以浏览网页、点击按钮、填写表单、提取数据。它们几乎能完成一个人类在网上能做的任何事情……唯独不能登录。

我在设计工具里实现了一个 Agent Team：多智能体协作生成 UI 的实战经验在 OpenPencil（一个开源矢量设计工具）的 AI 设计生成功能中，我实现了一套多智能体编排系统（Agent Team）。用户输入一句话描述，系统会自动将其拆解为多个子任务，分配给不同的 Sub-Agent 并行生成，最终在画布上实时呈现完整的 UI 设计。

数据智能老司机

AI 智能体与应用——使用 LangGraph 构建基于工具的智能体本章涵盖在第 5 章中，我们探讨了 agentic workflows（智能体式工作流）与 agents（智能体）之间的区别。你已经了解到，agentic workflows 本质上是确定性的：它们的逻辑建立在带有条件分支的流程之上，而这些分支取决于应用当前的状态。这类工作流可以在 LangGraph 中优雅地建模为基于节点的图，你也已经看到了一个完整的、可动手实践的系统示例。

数据智能老司机

AI 智能体与应用——构建研究摘要引擎本章涵盖以下内容：在第 3 章内容摘要技术的基础之上，本章将指导你创建一个研究摘要引擎（research summarization engine）。这个 LLM 应用会处理用户查询、执行 Web 搜索，并将搜索结果整理为一份全面的摘要报告。我们会以循序渐进的方式开发这个项目：先从基础开始，再逐步提高复杂度。在这一过程中，随着我引入如何使用 LangChain Expression Language（LCEL）来创建 LLM 链，你对 LangChain 的理解也会进一步加深。

数据智能老司机

AI 智能体与应用——使用 LangChain 和 LangSmith 构建 Q&A 聊天机器人本章涵盖以下内容：既然你现在已经理解了检索增强生成（Retrieval-Augmented Generation，RAG）这一设计模式，那么使用 LangChain 构建一个基于 RAG 的聊天机器人就会显得容易得多。在本章中，我会一步步带你学习如何使用 LangChain 的对象模型（object model）来管理与源文档、向量存储以及 LLM 之间的交互。

数据智能老司机

AI 智能体与应用——使用 LangGraph 构建智能体工作流本章涵盖以下内容：大语言模型（LLM）正在推动新一代应用的发展，而这类应用所需要的，早已不只是简单的“提示—响应”式交互。随着应用变得越来越复杂，智能体式工作流（agentic workflows）已经变得不可或缺——这是一种模式：由 LLM 使用预定义组件和显式状态管理来编排一个结构化、多步骤的流程。智能体式工作流遵循一套定义明确且一致的步骤序列。它们并不是在执行过程中动态调整自身行为，而是更强调可靠性、透明性与可控性。在这种方式下，LLM 的决策发生在明确规定的边界之内，从而确保流程中的每个阶段都保

数据智能老司机

AI 智能体与应用——问题转换本章涵盖以下内容：有时，你可能已经在 Retrieval-Augmented Generation（RAG）的数据准备上投入了大量时间——收集文档、把它们切分成 chunk，并为综合生成和检索创建 embedding（这一部分我们在第 8 章已经讲过）。但即便如此，你仍然可能会发现向量存储返回的结果质量不高。问题未必出在向量存储里缺少相关内容，而可能恰恰出在用户的问题本身。例如，问题的表述可能很差、不够清晰，或者过于复杂。那些没有被清楚、简洁表达出来的问题，既会让向量存储困惑，也会让 LLM 困惑，最终

数据智能老司机

AI 智能体与应用——使用 LangChain 进行文本摘要本章涵盖以下内容：在第 1 章中，我们探讨了三类主要的 LLM 应用：摘要引擎、聊天机器人和 AI 智能体。在本章中，你将开始使用 LangChain 构建实用的摘要链，尤其会重点使用 LangChain Expression Language（LCEL）来处理各种真实场景。所谓链（chain），就是一系列相互连接的操作序列：前一步的输出会成为后一步的输入——这种形式非常适合自动化诸如摘要这样的任务。这部分内容也将为下一章中构建一个更高级的摘要引擎打下基础。

OpenClaw最强大脑GPT5.4 “脚把脚”配置！大家都给 OpenClaw 配置了什么模型？从目前来看，最佳的模型应该是新鲜出炉的 GPT5.4。为什么这么说呢？因为：

性能干翻235B，单卡私有化部署OpenClaw基于 Docker + llama.cpp 的本地化 AI 代理平台完整部署指南本方案已在单卡 22GB 显存（如 RTX 2080Ti）环境下验证，达到性能与功能的较好平衡，适用于长上下文、低并发、高精度的私有化 AI 代理场景。

mcp学习笔记（二）-MCP Server介绍一个典型的 MCP 交互流程如下：工具使 AI 模型能够执行操作。每个工具定义了一个具有类型化输入和输出的特定操作。模型根据上下文请求执行工具。

风雨中的小七

和AI一起搞事情#1: opencode ×browser-use实战复盘开篇避雷：本文不输出权威指南，只是一位一线算法工程师和AI不算peace的合作场景还原。系列第一篇，我们将从最基础的“磨合期”开始聊起。

字节架构前端

Skill再回首—深度解读Anthropic官方最新Skill白皮书近几个月 AI 领域 “Skill” 的概念非常火热，社区也已有很多对Skill和MCP等概念的对比解读，以及如何构建高效能 AI 技能的讨论与实践分享，但作为其标准定义者，官方一直处于只有规范没有指南的情况。间隔4个月后，Anthropic 才首次下场发布了一份几十页的详尽 Skill 最佳构建指南，我们不妨花几分钟再从官方权威的“第一性视角”来完整回顾一下Skill的实践说明，看看我们自己的个人理解和标准设计者之间的理解是否相同。

收藏！AI代理全家桶：MCP/Skills/Agent /OpenClaw，原理+操作指南一步到位原文: https://mp.weixin.qq.com/s/ZUKdpMX1CfolrHCY4IkcqA 欢迎关注公zh: AI-Frontiers