登录社区云,与社区用户共同成长
邀请您加入社区
《智能体设计模式实战指南》是一本由Google工程师Antonio Gulli撰写的免费开源书籍,系统梳理了构建AI智能体的21种设计模式。全书分为基础构建、状态管理、鲁棒性和系统级考量四部分,涵盖从提示链、工具调用等基础模式,到多智能体协作、安全防护等高级主题。作者将软件工程的设计模式思想引入AI领域,为开发者提供了一套可复用的解决方案模板。书中所有模式均配有可运行代码示例,并支持主流框架。尽管
每个Skill是一个独立的应用程序,教AI完成一项特定的工作。就像你的手机上有备忘录、相机、地图、微信一样,你的AI Agent上可以装选题生成Skill、审校Skill、配图Skill、数据分析Skill。但因为前三步的产出(选题方向、调研简报、个人素材)都已经保存在文件里了,写作时AI可以直接引用,信息密度自然很高。区别在于:手机App是代码写的,Skill是自然语言写的。区别在于:手机App
为解决大型车企智能制造的运维难题,项目依托“客户出题、共同解题”的深度共建模式打造了ICT 智能体解决方案,构建“私域模型+私域运维知识+运维工具在核心场景落地层面,方案打造知识问答、菜单导航、运维诊断三大AI能力:知识问答集成了车企六大核心产线专家知识及多年技术服务运维经验知识,涵盖十万余份技术文档及五十万余条运维经验,准确率超90%,检索效率较传统方式提升50%;运维效率大幅提升,整体运维管理
这一变革的核心在于技术链路的深度重构:一方面,利用大模型辅助生成、扩散模型增强及主动学习技术,实现高价值样本的智能筛选与合成数据的自动化生成,显著提升了数据清洗与标注的效率与精度;高质量数据集是指用于训练、验证和优化人工智能大模型而收集、整理、标注形成的覆盖行业核心专业知识和生产经营活动信息的数据资源集合。高质量数据集覆盖制造、金融、医疗、交通、公共安全、自然资源、地理信息、人力资源、社会治理、科
看完这些,你可能会觉得"做个Agent好麻烦"——没错,真正的工程从来没有捷径。那些网红项目真正的价值,不在于让你复制一个Demo,而在于展示了设计空间的可能性——ReAct可以这样实现,多Agent可以那样协作,记忆可以分层管理……把这些模式内化成自己的工具箱,把反模式刻进DNA里的警示牌,你就超越了90%的"调包侠"。编程之路不易,但每一步成长都算数。Agent这个领域还在快速演化,今天学的模
在数智主线驱动的认知型系统(SoI)与“工业大模型 × 数字孪生”的融合架构中,循环设计(Circular Design)的模式与策略已从传统的宏观环保宣言,演进为离散制造业全生命周期绿色闭环与资源再循环的硬核落地技术指标体系 [2026年趋势]。离散制造业由于其产品结构复杂、零部件材料异构且多源、供应链条极长,无法使用传统流程工业的“总量分摊法”。必须在研发设计初期,利用工业世界模型的生成式想象
今天,5分钟,让你彻底搞懂这件事。一、先搞清楚:大模型 ≠ AI Agent---------------------很多人把大模型和智能体混为一谈,这是最大的误解。
立足促进德智体美劳全面发展,研发智能学伴。研发思政大模型,丰富智能思政应用,建立全息、全域、全员、全时的沉浸式思政育人模式。建设学生数字档案,根据学生能力、特质和爱好,动态优化学习路径,更好满足多元化学习需求。探索人工智能赋能体育、美育、劳动教育、科技教育等有效路径,帮助学生个性成长。推动智能技术在中西部地区、乡村学校的应用,帮助学生开展自主学习,推广国家通用语言文字,促进教育优质均衡。研发应用智
在该模式下,豆包可以理解工作目标,自主拆解任务,并调用本地电脑、文档、表格、网页等工具持续执行任务,从“回答问题”升级为“生产力工具”。据介绍,豆包专业版采用三级阶梯定价方案:标准套餐连续包月68元,专家模式、办公任务模式等功能的额度为免费版的5倍以上;该服务基于最新的豆包2.1系列大模型,面向复杂办公和生产力场景,提供更高的复杂工作场景使用额度,并上线全新的办公任务模式。该服务基于最新的豆包2.
来自上海人工智能实验室、上海交通大学、香港中文大学的研究团队提出了TRM(Thinking Reward Model)。大模型推理能力越来越强,但答案对了,思考过程就一定好吗?就像是同一道数学题,两个学生都做对了。一个步骤干净、推导紧凑、思路顺畅;另一个绕了大段无关推导,跳过关键步骤,最后却也凑出了正确答案。只看结果,两份答卷都对。但若要选一份更值得学习的解题过程,显然是前者。大模型推理也面临类似
《智能体设计模式》(Agentic Design Patterns),作者 Antonio Gullí——谷歌AI技术负责人,在深度学习、分布式系统和智能系统架构领域深耕多年的实战派。市面上讲Agent的内容,要么太浅(教你用Coze扣个工作流),要么太散(博客论文东一块西一块)。这本书不一样的地方在于:它给了你一套完整的架构语言。学完这21个模式,你会获得一种能力——看到一个Agent需求,脑子
2026年中国AI智能体大会显示行业焦点正从"模型生成能力"转向"智能体持续执行能力"。AI智能体(Agentic AI)通过目标理解、环境分析、计划制定、工具调用等循环流程,实现从单次问答到自主执行任务的转变。其爆发得益于模型规划能力提升、软件系统连接完善、生态标准化等技术成熟,尤其在软件开发等结构化场景验证了价值。当前挑战包括成本控制、安全权限、场景适配
这篇文章深入解析了7种AI智能体(Agent)的核心设计模式,通过思维链式、问题拆解和执行优化的不同维度,展现了AI系统处理复杂任务的多样化"思维方式"。 主要模式包括: 思维链(CoT)- 分步展示推理过程 自问自答(Self-Ask)- 问题拆解与检索 推理+行动(ReAct)- 交替进行思考与执行 计划与执行 - 预先规划再分步实施 树状思维 - 多路径探索最优解 反思迭代 - 自我纠错优化
其他大语言模型(如Claude、Gemini等)在生成代码的结构一致性、风格规范性和语法正确性方面表现不一,整体可靠性及可用性仍不及专门优化后的DeepSeek-R1。鉴于本文需借助大语言模型生成PFCC 模型代码,而DeepSeek-R1的能力特性与这一核心需求高度匹配,因此,本文拟采用DeepSeek-R1作为衔接用户。如图所示的有向图就是通过MontiArc工具可视化的结果,从而为系统设计人
本文梳理了当前AI Agent领域的主流大模型生态,将其分为闭源API和开源两大阵营。闭源模型以OpenAI GPT系列为标杆,具备强推理和多模态能力;Anthropic Claude系列擅长长文本处理;Google Gemini在多模态和长上下文方面突出。开源阵营以Meta LLaMA和Mistral为代表,适合私有化部署。文章还提出Agent选型的五大维度(推理、工具调用、长文本、成本、部署)
1、合规面风险:因未充分识别或落实数据、网络及行业监管要求,如数据出境合规、个人信息保护、网络安全、数据安全、大模型备案等,可能导致部署形态、数据流向及日志留存不合规,侵犯商业秘密、版权等。3、人员面风险:部署与使用人员安全意识薄弱、操作不规范、权限管理松散,如共享账号、违规开通高权限等,因智能体具备自动化执行能力,此类疏忽易被放大,引发误操作、数据泄露或被黑客利用。2、运维面风险:运维管理机制不
面试官:Function Calling 和 MCP 都能做工具调用,那具体什么场景下该选哪个?🙋♂️我:这个简单,小项目用 Function Calling,大项目用 MCP 就行了,主要看项目规模。
2026年大模型Agent开发早已告别“拼格式、套模板”的初级阶段,谷歌官方针对当下主流Agent开发场景,更新迭代了。目前Claude Code、Gemini CLI、Cursor等30+主流Agent工具均全面适配该规范,是程序员、小白入门企业级大模型应用开发的核心必修课。
智能体交互,是 Agent 落地的下一层能力。工具调用让 Agent 能访问系统。MCP 让工具连接更标准。GUI Agent 让 Agent 能操作没有 API 的界面。多模态交互让 Agent 能理解真实环境。• 能用 API,优先用 API。• 必须操作页面,再用 GUI Agent。• 涉及真实环境,必须加安全边界。• 涉及高风险动作,必须让人确认。• 所有动作都要有日志,所有失败都要能退
本文介绍了如何在星图GPU平台自动化部署Qwen-Ranker Pro: 智能语义精排中心Web镜像,实现智能语义精排功能。该镜像基于Java设计模式构建精排算法,可应用于电商推荐、内容排序等场景,通过策略模式和责任链模式灵活处理多维度排序需求,提升推荐系统的精准度和用户体验。
1. 核心定义迭代器模式(Iterator Pattern):提供一种方法顺序访问一个聚合对象中的各个元素,而又不需要暴露该对象的内部表示。迭代器模式又称游标模式(Cursor Pattern),核心是分离聚合对象与遍历逻辑,提供统一的迭代访问接口。通俗理解:迭代器模式就像我们生活中的图书管理员。
本文探讨了Java生态中LangChain4j框架在AI智能体编排中的设计模式应用,展示了如何通过解耦、组合和扩展原则构建高效的工作流。文章详细解析了代理模式、模板方法模式和策略模式在智能体编排中的精妙运用,并对比了Spring AI与LangChain4j的架构差异,为开发者提供了实战案例和性能优化技巧。
在Kubernetes(K8s)创建Pod的过程中,
Structured Streaming是Apache Spark 2.0引入的流处理引擎,建立在Spark SQL引擎之上。它将流处理抽象为无限增长的表,提供声明式API,支持端到端exactly-once语义。Structured Streaming提供了强大而简单的流处理能力,通过统一的DataFrame/DataSet API,使得批处理和流处理代码可以无缝切换,大大降低了开发和维护成本。
这份完整的四边形不等式Java实现涵盖了理论、实现、优化、测试和面试各个方面,可以帮助你全面掌握这一重要算法优化技巧。的状态转移方程,如果权函数w满足四边形不等式,则可以将时间复杂度从O(n³)优化到O(n²)。四边形不等式是动态规划优化的一种重要技巧,主要用于优化区间DP的时间复杂度。Q2:四边形不等式优化能降低多少时间复杂度?Q5:哪些经典问题可以用四边形不等式优化?Q4:四边形不等式优化的核
Java的23种设计模式是软件开发中常用的设计思想总结,根据用途可分为三大类:创建型、结构型和行为型。一、创建型模式(5种) 用于处理对象创建机制,隐藏创建逻辑,使程序更灵活。
文章详细介绍了大模型从开发到实际业务场景部署的关键环节,包括业务需求分析(功能性需求与非功能性需求)、性能优化(处理速度、减少运算量)、用户感知优化(流式输出、错误处理)和稳定性保障(自动缩扩容、监控预警、容灾设计)四大方面,旨在帮助开发者实现大模型应用的高效、低成本部署和运营。
今天,我将带你深入Adobe Substance 3D Designer的核心,并结合Firefly AI,向你展示如何构建一套真正属于你自己的、可无限复用的风格化材质库。这篇文章将彻底改变你对贴图制作的认知,建议你点赞收藏,因为它代表着材质美术的未来。
【摘要】2025年开发者面临日益复杂的任务场景,AI提示词工具成为提升效率的关键。本文精选8类AI提效工具,涵盖Git命令生成、API调用示例、代码优化和设计模式重构等核心场景。通过自然语言指令,开发者可快速获取可执行代码片段(如生成单例模式类)、性能优化建议和Git操作命令,实现从日常操作到架构设计的全流程自动化。实践案例显示,组合使用这些工具可显著减少重复劳动,建议团队建立专属提示词模板持续优
命令模式将请求封装为对象,使请求参数化、队列化或日志化。示例中,Robot和Weapon类作为接收者执行实际功能,而Command接口及其实现类(如TransToCarCommand、FireBulletCommand)封装了具体命令和附加逻辑。CommandInvoker作为调用者管理命令队列,支持批量执行。该模式解耦了请求者与接收者,支持命令的延迟执行、日志记录和参数化,避免了switch-c
RAG是一种AI框架,它将传统信息检索系统(如搜索引擎和数据库)的强大功能与擅长自然语言生成的AI模型相结合。简单来说,RAG就像是在写详细报告之前,先向图书馆员咨询信息一样。它能够为AI模型提供外部知识,让模型在回答问题时更加准确、实时且具有上下文意识。实时且准确的回答:通过检索最新的信息,RAG能够确保AI的回答基于最新的数据。减少“幻觉”:AI模型有时会生成一些看似合理但实际上并不存在的信息
类图(Class diagram)是显示了模型的静态结构,特别是模型中存在的类、类的内部结构以及它们与其他类的关系等。类图不显示暂时性的信息。类图是面向对象建模的主要组成部分。需求:设计一个咖啡店点餐系统。设计一个咖啡类(Coffee),并定义其两个子类(美式咖啡【AmericanCoffee】和拿铁咖啡【LatteCoffee】);再设计一个咖啡店类(CoffeeStore),咖啡店具有点咖啡的
文章概述了大型语言模型(LLM)训练的四个核心阶段:随机初始化、预训练、指令微调和偏好/推理微调。通过海量语料预训练掌握语言基础后,模型经过指令微调获得对话能力,再通过人类偏好数据(RLHF)或正确答案反馈(GRPO)进一步优化。最后指出AI时代涌现的新职业机会,并推荐了大模型学习资源包,包含路线图、书籍、视频、实战项目等全套资料,帮助读者掌握这项前沿技术。
摘要:工具使用设计模式让AI代理通过调用外部工具(如API、计算器等)完成特定任务。该模式适用于信息检索、代码执行、工作流自动化等场景。实现时需确保LLM支持函数调用,核心流程包括:用户输入→LLM提取参数→调用工具→二次处理→自然语言输出。示例代码展示了获取城市时间的工具调用过程,完整项目包含Flask后端和前端页面。这种设计模式实现了自然语言交互与结构化数据处理的结合。
下一件大事?AI 智能体(AI Agents)将是未来的关键技术。OpenAI、Nvidia 和 Microsoft 正在大力投入,甚至像 Salesforce 这样在 AI 领域一向低调的公司,也已悄然下注。而毫无疑问,这项技术目前正迅猛崛起。那么,这一趋势背后真正的是什么?自主性(Agency)。不同于传统的生成式 AI 系统,智能体不仅仅是对用户输入做出回应。它们能够处理一个完整且复杂的问题