- DeepAgents是一种企业级多智能体集群AI架构，旨在解决大模型在复杂业务场景中的落地难题。其核心由MCP（模型上下文协议）和A2A（智能体互联协议）两大协议支撑：MCP标准化大模型与外部资源的交互，降低工具适配成本；A2A实现多智能体的协同调度，避免任务孤岛。与传统单智能体相比，DeepAgents通过分层规划、集群协同和反思机制，能稳定处理财务核算、供应链调度等长流程业务，突破单模型的能力 DeepAgents是一种企业级多智能体集群AI架构，旨在解决大模型在复杂业务场景中的落地难题。其核心由MCP（模型上下文协议）和A2A（智能体互联协议）两大协议支撑：MCP标准化大模型与外部资源的交互，降低工具适配成本；A2A实现多智能体的协同调度，避免任务孤岛。与传统单智能体相比，DeepAgents通过分层规划、集群协同和反思机制，能稳定处理财务核算、供应链调度等长流程业务，突破单模型的能力
- 团队接入AI模型后，API Key的管理成本往往被低估。本文从实际场景出发，分析"人手一把Key"带来的可视性、成本和安全三大问题，提出以策略驱动的虚拟凭证替代静态Key的思路，实现开发效率与安全管控的平衡。 团队接入AI模型后，API Key的管理成本往往被低估。本文从实际场景出发，分析"人手一把Key"带来的可视性、成本和安全三大问题，提出以策略驱动的虚拟凭证替代静态Key的思路，实现开发效率与安全管控的平衡。
- 026年的企业级智能体市场，"能干活"的标准正在从"能调用多少个API"转向"能在多大范围的系统上真正跑起来"。对于智能体平台而言，"看得懂屏幕"的能力与"调得通接口"的能力同等重要——前者决定了它能覆盖多大范围的业务场景，后者决定了它在标准化场景下的执行效率。 026年的企业级智能体市场，"能干活"的标准正在从"能调用多少个API"转向"能在多大范围的系统上真正跑起来"。对于智能体平台而言，"看得懂屏幕"的能力与"调得通接口"的能力同等重要——前者决定了它能覆盖多大范围的业务场景，后者决定了它在标准化场景下的执行效率。
- 摘要： 随着AI Agent能力升级，其自主决策与多场景操作能力（如文件处理、网络访问）带来显著效率提升，但伴随模型幻觉、越权操作、数据泄露等安全隐患。本文提出Workspace安全治理体系，通过沙箱隔离（环境独立/资源隔离）、精细化权限管控（最小权限/实时校验）和全链路审计（防篡改日志/溯源追责）三大模块协同，解决AI Agent特有风险。该体系适配大模型动态性，遵循零信任原则，弥补模型原生缺陷 摘要： 随着AI Agent能力升级，其自主决策与多场景操作能力（如文件处理、网络访问）带来显著效率提升，但伴随模型幻觉、越权操作、数据泄露等安全隐患。本文提出Workspace安全治理体系，通过沙箱隔离（环境独立/资源隔离）、精细化权限管控（最小权限/实时校验）和全链路审计（防篡改日志/溯源追责）三大模块协同，解决AI Agent特有风险。该体系适配大模型动态性，遵循零信任原则，弥补模型原生缺陷
- Oracle 锁等待一旦扩散，业务请求往往会很快排队，问题也会从单点等待变成整条链路受影响。用户看到的是请求变慢，开发看到的是 SQL 不返回，DBA 需要判断谁持有锁、谁在等待、事务持续了多久，以及当前能不能处理。锁等待一旦扩散，问题会很快放大Oracle 锁等待一旦扩散，业务请求会很快排队。用户看到的是请求变慢，开发看到的是 SQL 不返回，DBA 需要判断谁持有锁、谁在等待、事务持续了... Oracle 锁等待一旦扩散，业务请求往往会很快排队，问题也会从单点等待变成整条链路受影响。用户看到的是请求变慢，开发看到的是 SQL 不返回，DBA 需要判断谁持有锁、谁在等待、事务持续了多久，以及当前能不能处理。锁等待一旦扩散，问题会很快放大Oracle 锁等待一旦扩散，业务请求会很快排队。用户看到的是请求变慢，开发看到的是 SQL 不返回，DBA 需要判断谁持有锁、谁在等待、事务持续了...
- 完整搭建起大模型应用开发的全栈技术体系，离不开一个个核心的技术点。从底层的提示词工程规范、RAG检索增强，到中层的Function Calling工具调用、Skills业务封装、MCP标准化通信，再到上层的Agent智能体自主执行、A2A多智能体集群协作，最后到生产级架构的高可用、安全、可控治理，所有核心技术层层递进、环环相扣，构成了完整的现代大模型开发模式。 完整搭建起大模型应用开发的全栈技术体系，离不开一个个核心的技术点。从底层的提示词工程规范、RAG检索增强，到中层的Function Calling工具调用、Skills业务封装、MCP标准化通信，再到上层的Agent智能体自主执行、A2A多智能体集群协作，最后到生产级架构的高可用、安全、可控治理，所有核心技术层层递进、环环相扣，构成了完整的现代大模型开发模式。
- 从真实账单事故出发，剖析企业级大模型 API 接入在密钥管理、成本护栏、调用审计、质量监控、权限分级五个维度上的常见盲区，结合 OWASP 与五眼联盟安全框架给出工程化实践思路。 从真实账单事故出发，剖析企业级大模型 API 接入在密钥管理、成本护栏、调用审计、质量监控、权限分级五个维度上的常见盲区，结合 OWASP 与五眼联盟安全框架给出工程化实践思路。
- 银行跨系统对账的难点在于系统异构、无API接口、表述不一致。本文从技术实现角度，拆解了屏幕语义理解技术如何在不依赖API和坐标定位的情况下，让Agent像人一样“看懂”屏幕、跨系统抓取数据、语义匹配交易、生成审计级对账报告。文章覆盖了从单系统自动化到多系统协同闭环的实现路径，并结合银联对账、多银行账户归集、三单匹配等真实场景提供了落地数据和效果验证。 银行跨系统对账的难点在于系统异构、无API接口、表述不一致。本文从技术实现角度，拆解了屏幕语义理解技术如何在不依赖API和坐标定位的情况下，让Agent像人一样“看懂”屏幕、跨系统抓取数据、语义匹配交易、生成审计级对账报告。文章覆盖了从单系统自动化到多系统协同闭环的实现路径，并结合银联对账、多银行账户归集、三单匹配等真实场景提供了落地数据和效果验证。
- 本文探讨了AI Agent开发中的评估体系构建问题。文章指出，虽然搭建Agent原型容易，但量化评估其性能、指导优化方向才是项目落地的关键难点。作者提出了一套完整的Agent评估方法论，包含三大评测技术（LLM-as-Judge、人工标注、A/B测试）和四大评估维度（功能准确性、服务性能、运行安全性、成本损耗）。通过多层次评测方案架构，实现从离线测试到线上验证的闭环迭代，解决传统试错式开发的弊端。 本文探讨了AI Agent开发中的评估体系构建问题。文章指出，虽然搭建Agent原型容易，但量化评估其性能、指导优化方向才是项目落地的关键难点。作者提出了一套完整的Agent评估方法论，包含三大评测技术（LLM-as-Judge、人工标注、A/B测试）和四大评估维度（功能准确性、服务性能、运行安全性、成本损耗）。通过多层次评测方案架构，实现从离线测试到线上验证的闭环迭代，解决传统试错式开发的弊端。
- 文章摘要： 大模型Agent是基于大语言模型的智能执行体，通过自主规划、工具调用和系统集成，实现复杂任务自动化。其核心特性包括自主规划性、工具可拓展性、系统互通性、记忆迭代性和闭环执行性。Agent架构分为五层：基础模型层（推理核心）、核心调度层（流程控制）、工具插件层（能力拓展）、系统集成层（外部对接）和业务应用层（场景落地）。运行机制分为需求解析、任务规划、能力调用等六步闭环流程，支持API插 文章摘要： 大模型Agent是基于大语言模型的智能执行体，通过自主规划、工具调用和系统集成，实现复杂任务自动化。其核心特性包括自主规划性、工具可拓展性、系统互通性、记忆迭代性和闭环执行性。Agent架构分为五层：基础模型层（推理核心）、核心调度层（流程控制）、工具插件层（能力拓展）、系统集成层（外部对接）和业务应用层（场景落地）。运行机制分为需求解析、任务规划、能力调用等六步闭环流程，支持API插
- 本文系统介绍了大模型落地的三大关键技术：全量微调、LoRA轻量化微调和模型量化。全量微调通过更新所有模型参数实现业务适配，但计算成本高；LoRA通过冻结原有权重、仅训练低秩矩阵，显著降低训练成本；模型量化则通过降低参数精度来优化部署效率。三者协同形成完整的大模型落地闭环：微调优化能力，LoRA降低训练门槛，量化提升部署性能。文章详细阐述了各项技术的原理、实施流程和应用场景，并通过代码示例展示了Lo 本文系统介绍了大模型落地的三大关键技术：全量微调、LoRA轻量化微调和模型量化。全量微调通过更新所有模型参数实现业务适配，但计算成本高；LoRA通过冻结原有权重、仅训练低秩矩阵，显著降低训练成本；模型量化则通过降低参数精度来优化部署效率。三者协同形成完整的大模型落地闭环：微调优化能力，LoRA降低训练门槛，量化提升部署性能。文章详细阐述了各项技术的原理、实施流程和应用场景，并通过代码示例展示了Lo
- 全球化、多云、国产化升级和 AI 驱动开发正在同时改变企业数据管理方式。面对更分散的数据源、更复杂的权限边界和更高频的数据库变更，NineData 的实践路径是把数据库 DevOps、数据复制、安全访问和 ChatDBA 统一到一套平台能力中，为智能体提供可治理的数据底座。 全球化、多云、国产化升级和 AI 驱动开发正在同时改变企业数据管理方式。面对更分散的数据源、更复杂的权限边界和更高频的数据库变更，NineData 的实践路径是把数据库 DevOps、数据复制、安全访问和 ChatDBA 统一到一套平台能力中，为智能体提供可治理的数据底座。
- 选型时需重点评估三个问题：数据能不能出域、系统能不能跑在信创环境、Agent能不能融入现有工作流。理解这一点，比盲目追逐“功能最多”的产品更重要。 选型时需重点评估三个问题：数据能不能出域、系统能不能跑在信创环境、Agent能不能融入现有工作流。理解这一点，比盲目追逐“功能最多”的产品更重要。
- 本文系统介绍了大模型智能体的核心概念与五大核心能力。智能体是基于大模型构建的、具备自主决策和执行能力的数字实体，通过规划、记忆、工具调用、反思和多智能体协同五大能力实现复杂任务处理。与普通大模型相比，智能体具有主动执行、工具调用和经验迭代的优势。规划能力是智能体的"大脑"，负责任务拆解和策略制定；记忆能力存储和复用历史信息；工具调用能力扩展智能体的功能边界；反思能力支持自我优化 本文系统介绍了大模型智能体的核心概念与五大核心能力。智能体是基于大模型构建的、具备自主决策和执行能力的数字实体，通过规划、记忆、工具调用、反思和多智能体协同五大能力实现复杂任务处理。与普通大模型相比，智能体具有主动执行、工具调用和经验迭代的优势。规划能力是智能体的"大脑"，负责任务拆解和策略制定；记忆能力存储和复用历史信息；工具调用能力扩展智能体的功能边界；反思能力支持自我优化
- AI Agent 不再只是生成文本，它会读取数据、调用工具、触发流程。本文从工程视角讨论为什么不应把长期 API Key 直接交给 Agent，并给出临时凭证、策略绑定、运行时拦截和审计归因的治理思路。 AI Agent 不再只是生成文本，它会读取数据、调用工具、触发流程。本文从工程视角讨论为什么不应把长期 API Key 直接交给 Agent，并给出临时凭证、策略绑定、运行时拦截和审计归因的治理思路。
上滑加载中
推荐直播
-
华为云码道Agent集成与鸿蒙实战2026/08/11 周二 19:00-21:00
王一男-华为云码道产品规划专家；李炎-华为云码道产品专家；彭江敏-华为云鸿蒙端云一体化开发专家
本次直播带你解读华为云码道7月份产品新特性、新功能。更有专家演示码道Agent Space × 钉钉机器集成实战，从0到1打通消息通道；码道鸿蒙端云一体化实战，快速搭建员工签到系统。
回顾中 -
华为云开发者AI素养直播课·第三期2026/08/21 周五 16:00-18:00
林华鼎-华为云AI开发者运营负责人；念擎-华为云AI开发者运营案例开发专家
本期直播内容：AI六层能力首次详细解读 + 新一代华为云开发者空间亮相 + 校园案例直播带练
回顾中 -
华为云开发者AI素养直播课·第四期2026/08/28 周五 16:00-18:00
林华鼎-华为云AI开发者运营负责人；吴松明-华为云AI开发者案例开发专家
EduSwarm 是一个基于多智能体框架构建的 AI 教师团队协作平台：把备课、上课、作业、批改、学情等教学环节，交给多位专职 AI Agent（课件师、出题官、批改师、学情分析师等）协作完成。教师从「亲力亲为」变成「做决策」，学生只需凭课堂码加入即可实时跟课。
回顾中
热门标签