系统架构标签_智能体开发者社区

系统架构

中小企业AI落地：不花一分钱软件授权费，也能拥有专属AI能力

中小企业AI落地：零软件授权费构建专属AI能力（2026年指南）当前企业AI智能体市场正以107%年增速爆发，54%企业已部署AI应用。中小企业可通过开源方案实现低成本AI转型：核心优势完全开源：OpenClaw、Dify等成熟框架支持零授权费部署数据自主：私有化部署确保企业数据安全政策支持：多地提供30%模型补贴和财政贴息已验证效果：标杆企业实现92%新品成功率、10倍邮件回复率提升

 zhengliebin
2026-08-19 09:40:07

 347

 13

#人工智能 #软件工程 #系统架构 +4
不仅是产品，通用LLM模块开源！

技术栈：Spring Boot 3 / React / Milvus RAG / Multi-Agent / 多模态。📖 架构文档：https://github.com/ysy0915/chat-system/wiki。历时十几天的通宵，在 AI 编程助手的辅助下，终于把这套企业级 AI Agent 系统开源了！📝 11 年实战博客：https://www.cnblogs.com/yangsy

qq_31132389
2026-08-14 05:36:25

 682

 7

#大数据 #系统架构 #经验分享
昨晚爆肝，agent基座开发

昨晚爆肝，把博思AI智能体的复杂任务从单Agent串行升级为TaskPlanner→RabbitMQ→双实例Worker并行→收敛压缩的完整编排链路。比如写一份数字化转型报告，9个业务维度挤在一次生成里，首token延迟恶化，任何一块失败整篇作废。并发保护用Redis Lua原子限流，全局共享8个工作流额度，超限自动降级到单Agent兜底。实测20并发：8个并行+12个降级，零丢失，系统不雪崩。一

 qq_31132389
2026-08-13 15:27:17

 278

 5

#系统架构 #大数据 #经验分享
大型制造业AI智能体平台解决方案：为每位员工配备专属AI伙伴，让AI扎根产线、赋能于人，连接产业

效率层面——AI将“人工小时级”响应变为“AI秒级”响应。首钢热轧排程效率提升80%，计划审核从1小时缩短至秒级，生产总结从40分钟压缩至3分钟。美的荆州工厂平均提效80%，排产响应速度提升90%，首检时间由15分钟缩短至30秒。成本层面——美的2025年通过AI降本达7亿元，对比2024年的1.8亿元增长289%；超过1.35万个AI智能体在全业务链运行，全年提效超过1500万小时。首钢采用开源

 zhengliebin
2026-08-13 10:51:41

 1050

 31

#人工智能 #大数据 #架构 +3
AI Agent 第一版：先跑通协作边界和人工接管

第一版先把角色分工、状态流转和人工接管跑通。没有记录测试条件时，不把示例表现写成线上结论。

2401_87746054
2026-08-11 15:16:25

 3395

 8

#人工智能 #系统架构
AI产品落地最佳实践

它不仅是一个集成了多模型对话、3D知识图谱和AI多人游戏的企业级AI枢纽，更是一份关于如何打造高可用、高并发、高质量AI系统的实践答卷。博思AI智能体的核心愿景，是突破传统单一大模型的交互局限，构建一个覆盖智能对话、内容创作、知识管理全场景的企业级AI枢纽。为支撑复杂的AI协同场景，博思AI智能体v3.0采用了严谨的九层分层架构与微服务设计，将流量接入、业务逻辑、AI推理与数据底座深度解耦，构筑了

 qq_31132389
2026-08-10 21:52:43

 603

 7

#大数据 #系统架构 #经验分享
Qwen3-VL:30B企业集成：Visio流程图设计与系统架构

本文介绍了如何在星图GPU平台上自动化部署Clawdbot镜像，实现私有化本地部署Qwen3-VL:30B大模型并接入飞书平台。该方案支持企业快速构建多模态AI系统，典型应用于Visio流程图设计与系统架构可视化，提升技术团队与业务侧的高效沟通与协作。

焦虑肇事者
2026-02-19 00:14:56

 417

 4

#系统架构
从智能涌现到可信自治：AI Agent 六层业务架构深度阐释

六层并非孤立堆叠，而是形成有机协同：核心智力层提供"思考力"，知识记忆层提供"知识力"，行动层提供"执行力"，编排层提供"协作力"，基础能力层提供"进化力"，治理层提供"保障力"。

陈嘉杰
2026-08-06 11:53:07

 562

 9

#系统架构
AI超级智能体正式上线！

新产品博思超级AI智能体上线！主打几大模型博弈，给出最佳结论，最前沿的技术架构！自己解决生活中的任何问题！

qq_31132389
2026-08-02 01:45:51

 238

 6

#大数据 #系统架构
企业级 HR 系统架构深度选型：一体化传统 ATS 与前置 AI招聘获客智能体的边界与协同

在 2026 年的企业人力资源数字转型浪潮中，企业 CIO、技术总监以及 HR 负责人常常在技术选型时面临一处严峻的认知困境：既有 IT预算，究竟是应该采购一套覆盖全套用工流程的一体化传统 ATS（招聘流程管理系统），还是全面转向轻量化的新型 AI 招聘抽样与自动寻访工具？分清二者的设计逻辑与功能生态位，是打造高可用自动化招聘流水线的前提。为了剥离市面上冗杂的商业推广辞令，我们以底层工程实践中的核

 Ningxianwei8
2026-07-30 18:30:32

 274

 6

#系统架构 #人工智能
东莞GEO服务商的系统架构差异全拆解-自研大模型vs开源模型制造行业长尾词召回率实测

摘要：东莞制造企业在选择GEO服务商时，技术架构差异显著影响AI搜索排名效果。主流架构分为三类：通用Embedding+人工关键词锚定：长尾词匹配差，31%查询无结果，语义偏移严重；大模型API实时生成：延迟高、成本不可控，可见度仅为向量检索的23%；乘风GEO的行业微调Embedding架构：通过预计算向量+重排序，长尾词Top3命中率达78%，零结果率仅8%。制造业73%搜索流量来自

 Chongjin2018
2026-06-18 17:36:11

 387

 7

#系统架构 #制造 #矩阵
大模型推理服务架构演进2026：从单机推理到全球推理网络的系统设计

2026年中，大模型推理服务的架构正在经历一场从"单机部署"到"全球推理网络"的深刻演进。当一个企业从部署1个模型增长到部署20个模型、推理请求从日均1万增长到日均100万时，推理服务架构的设计直接决定了成本、延迟、可靠性和可扩展性四个关键指标。

少林码僧
2026-06-19 00:44:24

 196

 7

#人工智能 #网络 #cocoapods +2
只读、幂等、超时和限流为什么属于能力声明？

本文探讨了AI Agent工具调用中的关键执行语义问题，提出了四项核心执行提示（readonly、idempotent、timeout_ms、rate_limit）作为能力声明的必要组成部分。文章指出，仅靠接口参数描述无法确保安全执行，不同运行时对相同API可能采取矛盾策略。通过分析查询订单、退款申请等典型场景，阐释了每项提示的业务含义与技术边界：readonly强调业务状态而非HTTP方法，id

敢敢是只喵i
2026-07-28 09:16:15

 250

 6

#人工智能 #接口隔离原则 #系统架构 +1
AI Agent 上线后，别只盯调用成功率

AI Agent 上线后的监控不能只看接口成功率。更应该同时看建议采纳率、人工改动率、工具失败分布、越权拦截、回滚补偿、用户升级和审计完整性，才能判断系统是否真的可控。

wfzgsm
2026-07-06 23:50:10

 180

 3

#人工智能 #系统架构
AI 工程实践与架构设计

输入一段精简的话，例如：“深度解析 0-1 全自研的外呼机器人架构。本文对比了传统 IVR 与纯 AI Agent 方案的局限性，提出了‘大模型意图识别 + 受控状态机’的混合驱动架构，解决了高延迟与业务合规性痛点，适用于高频线索清洗业务。”

蜗牛脾气
2026-07-19 15:20:21

 265

 7

#人工智能 #语言模型 #python +2
几句话讲清楚Agent、LLM、MCP、SKill、RAG、WorkFlow

今天咱们用 5 分钟，把 AI Agent、LLM、Skill、MCP、RAG、Workflow 这些词一次性讲明白。首先我们先来看一下AI是如何做事情的。

Python_金钱豹
2026-07-15 15:15:50

 172

 6

#系统架构 #react.js #前端 +2
生产级AI Agent系统架构实战，从模块拆解到代码落地与K8s部署

文章摘要 2024年，AI Agent技术从实验室走向实际应用，但多数产品仍停留在演示阶段，难以满足企业级生产需求。真正的生产级AI Agent需要高可用、低延迟、可扩展和安全合规的完整工程体系。本文提出了一套四层架构设计方案：接入层（流量管控与安全屏障）、核心层（推理引擎与任务调度）、能力层（工具生态系统）和基础设施层（底层支持）。通过模块化设计、流式优先原则和标准化工具封装，解决了延迟过高、权

 小程故事多_80
2026-07-11 07:56:03

 865

 28

#人工智能 #系统架构 #kubernetes
无相框架：从“拥有工具“到“成为能力“——AI Agent架构的范式跃迁

* ## 工具范式的五个问题 "有工具→选工具→用工具"这套模式，有五个天然缺陷： 1. **会选错**——86个工具里挑一个，挑错了任务就废了 2. **有天花板**——86个工具就只有86种能力，第87种任务就抓瞎 3. **决策慢**——每次任务都要走一轮"分析→匹配→调用" 4. **越强越臃肿**——工具越多越强大，但维护成本也越高 5. **怕新问题**——遇到没见过的任务类型，要么硬

 2601_96546022
2026-07-10 19:24:44

 243

 10

#人工智能 #系统架构
Claude Code 完整详细介绍

Claude Code 完整详细介绍

 辰兮要努力
2026-05-15 21:20:37

 999

 7

#spring boot #java #系统架构 +1
OpenAI 这个模型推翻离散几何猜想，说明 AI 已经开始碰基础数学的硬问题

摘要：OpenAI模型在离散几何领域取得突破，成功证伪了一个核心数学猜想，标志着AI从"解题工具"向"研究伙伴"的转变。这一成果的突破性在于：1）AI首次参与基础数学的反证而非解决已知问题；2）采用算法式探索验证而非简单搜索；3）展示了AI在知识发现和验证方面的潜力。该突破改变了AI的定位，表明其可成为科研链路中的新角色，推动问题解决边界。对开发者而言，模型

 DM今天肝到几点？
2026-05-26 17:19:39

 204

 5

#人工智能 #系统架构
AI Agent协作架构设计：从单体智能到群体智能的工程实践

在分布式系统与微服务架构中，服务间的协同工作一直是核心挑战，这一原理在AI Agent（智能体）领域同样适用。AI Agent作为具备自主感知、决策和执行能力的软件实体，其核心价值在于处理复杂任务，但单个Agent能力有限。通过设计统一的通信协议与协调机制，多个异构Agent可以形成有机协作网络，实现能力互补与任务接力，从而完成单个Agent难以处理的跨领域工作流。这种群体智能系统在自动化流程、客

 weixin_30824599
2026-05-26 11:15:41

 626

 14

#系统架构
AI Agent 记忆系统设计：短期、长期与情节记忆的工程实现

最基础的方案是保留最近 N 轮对话。但当对话超过上下文窗口时，需要压缩。"""短期记忆：滑动窗口 + 自动摘要压缩"""self,):"""添加消息，自动触发压缩""""""获取当前上下文"""ctx = []"content": f"[对话历史摘要]\n。

Leo_Wcg
2026-06-25 15:30:41

 229

 6

#人工智能 #网络 #系统架构 +2
OpenClaw.NET 插件系统架构解析

是 .NET 原生插件的元数据声明文件，其结构与传统 TypeScript 插件的。

大方的月饼
2026-06-24 22:04:34

 245

 6

#.net #系统架构
AI Agent项目写进简历，90%的人第一步就错

最近帮一个学员改简历，他之前在一家互联网公司做后端开发，去年转去做AI方向。简历上写了一个Agent项目，描述是这样的：

小天才学习机打游戏
2026-06-23 16:36:46

 299

 2

#人工智能 #数据库 #系统架构 +2
AI Agent 接工具前，先把权限分层和人工确认做清楚

很多 Agent 事故不是模型不会推理，而是工具权限、审批边界和审计链路没有先设计好。上线前需要把只读、草稿、可撤销写入、高风险动作分层，并把人工确认、幂等、回滚和审计日志接进运行链路。

wfzgsm
2026-06-23 11:49:31

 254

 6

#人工智能 #系统架构 #安全
2026.6 Prompt Caching 成本实测横评：Anthropic / OpenAI / Gemini / 智谱 / DeepSeek 五家计费机制 + 长系统提示词复用省钱量化

Function Calling 时代，tools 定义往往比 system prompt 还长——20 个工具、每个工具 200 token 的 schema，加起来就 4000 token。这部分能不能缓存？你的同一段前缀是否会被复用 ≥ 2 次？├── 否 → 不开 cache（永远 break-even 不到）└── 是 → 请求间隔多大？├── < 5 min → 任意厂商 defaul

LDZKKJ
2026-06-22 05:22:22

 557

 7

#语言模型 #人工智能 #系统架构 +1
多模态RAG工程实践：图片、表格、文档混合检索的完整方案

# 问题的全貌传统RAG的处理流程把文档当纯文本，遇到图片和表格就要么跳过，要么只提取alt text。这意味着：- PDF里的技术图表被完全忽略- Excel表格中的数据关系无法被检索- PPT里的流程图对RAG来说是透明的- 带图片的产品手册，图片中的规格参数全部丢失这些信息往往是最关键的。你的业务文档里有大量图片、表格、图表，但你的RAG系统只能检索纯文本——这个问题有多严重，取决于你的文档

 少林码僧
2026-05-21 00:14:32

 274

 2

#人工智能 #microsoft #python3.11 +1
LLM应用安全工程：防御提示词注入、越狱与数据泄露

# 安全检查清单在你的LLM应用上线前，确认以下都已到位：- [ ] 输入过滤：检测并处理常见注入模式- [ ] 提示词隔离：用户输入和系统指令明确分隔- [ ] 输出验证：确保不泄露系统提示- [ ] 数据隔离：RAG场景下严格的访问控制- [ ] PII保护：自动识别和脱敏敏感信息- [ ] 速率限制：防止刷接口和成本攻击- [ ] 预算控制：设置用户级别的消费上限- [ ] 安全审计：记录所

 少林码僧
2026-05-21 00:15:43

 519

 13

#网络 #人工智能 #系统架构
LoRA微调工程2026：用有限资源做出真正有用的专属模型

# 一个实用的LoRA项目清单- [ ] 明确任务类型和评估标准（微调前）- [ ] 准备至少500条高质量训练数据- [ ] 数据质量检查通过率>95%- [ ] 选择合适的基础模型（任务要求 vs 资源限制）- [ ] 用10%数据做验证集- [ ] 训练时用WandB记录全程指标- [ ] 对比基础模型和微调模型的评估分数- [ ] 检查是否有灾难性遗忘（用通用基准测试）- [ ] 合并Lo

少林码僧
2026-05-21 00:15:08

 239

 7

#人工智能 #microsoft #python3.11 +1
Agent工程2026：从提示词堆砌到生产级智能体的完整跃迁路径

如果你今天还在用"给LLM加几个工具调用"来描述你的Agent，那我们需要认真谈谈了。2026年的AI工程现实是：绝大多数Agent项目死在了从Demo到生产的路上。不是因为模型不够强，而是因为工程没跟上。本文会系统梳理Agent工程化的核心路径，从基础架构到可观测性，从错误处理到成本控制，给你一份可直接参考的生产级指南。

少林码僧
2026-05-20 23:50:30

 398

 9

#python #开发语言 #人工智能 +1
Context Engineering深度指南：LLM应用质量的真正决定因素

先把概念说清楚。什么信息放进去：相关文档、对话历史、工具结果、用户画像以什么格式放进去：结构化还是自然语言，详细还是摘要放多少：在Token预算内最大化信息密度放进哪个位置：系统提示、用户消息、工具结果的顺序与比重这不是一个单一的技巧，而是一个工程学科。

少林码僧
2026-05-20 23:42:17

 339

 5

#算法 #人工智能 #系统架构
RAG幻觉根治手册：系统化消除检索增强生成中的错误输出

RAG 系统产生幻觉不是偶然，而是有明确的根因。本文从幻觉的成因分类入手，给出每类幻觉的系统性解决方案，帮助你把 RAG 准确率从 70% 提升到 95%+。 RAG 幻觉的三大根源在实践中，RAG 幻觉来自三个层面：检索层幻觉：检索回来的文档与问题不相关，或者遗漏了最关键的文档。模型在"空文档"上强行生成答案。生成层幻觉：文档确实包含相关信息，但模型没有忠实引用，而是&qu

少林码僧
2026-05-22 00:15:46

 262

 6

#服务器 #运维 #人工智能 +1
多Agent系统设计模式：从单体Agent到企业级协作架构

单个 Agent 能完成的任务是有限的。当问题足够复杂，多个专业化 Agent 协同工作才是答案。本文系统梳理多 Agent 系统的核心设计模式，以及何时选择何种架构。为什么需要多 Agent单 Agent 的根本限制来自三个方面：上下文窗口限制：复杂任务需要大量上下文，单个 Agent 的上下文窗口无法容纳所有信息。专业化深度限制：一个既要写代码又要分析财务又要做市场调研的 Agent，其

 少林码僧
2026-05-22 00:21:20

 135

 1

#人工智能 #微服务 #架构 +2
向量数据库选型2026：Qdrant vs Pinecone vs Weaviate vs Chroma深度对比

大多数新项目。

少林码僧
2026-05-22 00:21:54

 388

 5

#数据库 #人工智能 #系统架构
Agentic RAG 2026：从普通检索到自主推理的系统升级指南

# Agentic RAG核心概念### 什么是Agentic RAGAgentic RAG让RAG系统获得了"自主性”：系统可以自己决定：- 是否需要检索（还是直接用LLM知识回答）- 检索什么（查询改写、多子问题分解）- 检索质量是否足够（自我评估，决定是否重试）- 是否需要多轮检索（迭代式信息收集）本质上，把RAG从一个"固定流水线"变成了一个"会思考的代理"。2024年，大多数RAG系统的

 少林码僧
2026-05-23 00:14:46

 442

 4

#人工智能 #系统架构
LLM评估体系工程2026：超越“感觉不错“的科学评估方法

markdown## 准确性评分标准5分：完全正确，无任何事实错误4分：基本正确，有轻微不精确但不影响理解3分：部分正确，有明显错误但核心信息正确2分：主要内容错误，少量正确信息1分：完全错误或无关## 例子Q: Python列表的append方法时间复杂度是多少？5分示例：O(1)均摊复杂度。虽然偶尔需要扩容（O(n)），但均摊下来每次操作是O(1)。3分示例：通常是O(1)，有时是O(n)。（

少林码僧
2026-05-23 00:23:14

 246

 1

#人工智能 #算法 #系统架构
Agentic RAG：2026年最强检索增强架构深度解析

在2024年，大多数RAG（Retrieval-Augmented Generation）系统都遵循一个简单的线性流程：用户提问 → 向量检索 → 拼接上下文 → 生成回答。这个流程在简单问答场景下工作得还不错，但在复杂多跳推理、多步骤研究、或者需要迭代求精的场景下，它显得过于僵化。Agentic RAG的核心思想是：**让Agent来控制检索过程，而不是让检索过程控制Agent。**这意味着模型

 少林码僧
2026-05-24 00:17:02

 313

 6

#ubuntu #linux #运维 +2
UX设计师如何用AI与Next.js构建可维护的Web应用系统

在软件开发领域，系统架构设计与代码可维护性是构建复杂应用的核心挑战。其原理在于通过清晰的关注点分离和模块化设计，确保数据流逻辑一致、代码结构易于扩展和维护。这对于提升开发效率、保障长期项目健康度具有重要技术价值，尤其适用于需要快速迭代的Web应用、数据平台等场景。本文以Dota 2数据平台为例，探讨了如何将UX的结构化思维应用于工程实践，借助AI编码助手（如GitHub Copilot、Curso

weixin_33696106
2026-05-27 09:13:59

 577

 10

#系统架构
AI时代软件工程师的进化：从编码执行者到系统策展人

在软件开发领域，抽象与封装是推动技术进步的核心动力。从高级语言到集成开发环境，每一次抽象层的提升都重塑了工程师的工作方式。如今，以GitHub Copilot、Cursor为代表的AI代码生成工具，正将抽象推向新的高度——它们能理解自然语言需求并生成功能代码，这本质上是一种更高级的编程语言。这种技术演进不仅提升了开发效率，更重要的是重新定义了工程师的价值锚点。工程师的核心能力正从具体的代码实现，转

 真力 GENELEC
2026-05-31 11:28:31

 299

 9

#系统架构
AI时代程序员的核心价值：从代码实现到系统架构的思维跃迁

在软件工程领域，系统架构设计与需求分析是构建复杂应用的核心基础。系统架构涉及技术选型、服务拆分、负载均衡与高可用设计等关键决策，决定了软件的可扩展性与稳定性。需求分析则要求将模糊的业务描述转化为清晰、可执行的技术规格，这需要深刻理解业务场景与权衡多方诉求。这些高阶能力为软件系统带来长期可维护性与适应业务变化的技术价值，广泛应用于电商、金融、物联网等高并发场景。当前，AI编程助手如GitHub Co

Hellowongwong
2026-05-31 12:05:51

 443

 9

#系统架构 #需求分析