- 综合排序
- 最热优先
- 最新优先
- 来自专栏百科知识
什么是 Hermes Agent？Hermes Agent 详细介绍：2026 年最值得关注的开源自进化 AI 智能体
——一个会随着使用不断成长的Agent。核心定位：三个关键词1.自托管（Self-hosted）所有数据（记忆、技能、对话历史）存储在你自己服务器上的本地SQLite数据库中，不经过任何第三方云服务。 六大核心功能功能一：闭环学习系统（LearningLoop）这是HermesAgent区别于所有其他AIAgent的最核心特性。 、Signal国内办公飞书、企业微信、钉钉其他Matrix、Mattermost、QQBot、iMessage、HomeAssistant、Email、SMSWeb端内置WebUI、OpenWebUI最关键的是 hermesconfigsetmodel.providerollamahermesconfigsetmodel.modelqwen2.5:7bIM平台接入通过消息网关一次配置，多平台同时在线：展开代码语言：BashAI代码解释hermesgatewaysetup平台接入难度配置时间Telegram⭐最简单 ：https://github.com/nousresearch-hermes-agent/hermes-agent中文社区：https://hermesagent.org.cn中文文档：https:/
8.8K21编辑于 2026-04-15 - 来自专栏AIGC新知
ANTHROPIC：高端的食材往往需要最朴素的烹饪方法: prompt, workflow, agent
始终如一，最成功的实现并不使用复杂的框架或专门的库。相反，他们使用简单、可组合的模式进行构建。 在这篇文章中，ANTHROPIC分享了从与客户和构建代理（agent）合作中学到的知识，并为开发商提供构建有效代理的实用建议。 什么是代理？ “代理”可以通过多种方式定义。 当使用LLMs构建应用程序时，我们建议寻找尽可能最简单的解决方案，并且仅在需要时增加复杂性，这可能意味着根本不构建代理系统。 然后，agent可以在检查点或遇到拦截者时暂停以获取人工反馈。任务通常在完成后终止，但通常还包含停止条件（例如最大迭代次数）以保持控制。 代理可以处理复杂的任务，但它们的实现通常很简单。 总结 LLM领域的成功并不在于构建最复杂的系统。这是为了构建适合您需求的系统。从简单的提示开始，通过综合评估对其进行优化，仅在简单的解决方案无法满足要求时才添加多步骤代理系统。
88110编辑于 2024-12-23 - 来自专栏AIGC新知
最牛的数字人框架Fay：支持直播带货、个人助手和agent
它提供了带货、助手和agent版本，适用于各种应用，如虚拟购物向导、广播员、助手、服务员、教师以及基于语音或文本的移动助手。 ： bilibili个性化数字人 抖音个性化数字人 微信视频号个性化数字人 开源地址：https://github.com/TheRamU/Fay/tree/fay-sales-edition AI Agent agent 版的 Fay 可以实现自动代理执行的同时，在它认为必要时候会触发数字人或者直接的声音输出。 1、基于日程维护的助理模式：执行及维护你的日程 2、强大的规划执行（ReAct）能力：规划->执行<->反思->总结 3、LLM Chain与React Agent自动切换：保留规划执行能力的同时兼顾聊天能力 4、双记忆机制：斯坦福AI小镇记忆流实现长时记忆，邻近对话记忆实现连贯对话 5、易于扩展的agent 工具 6、配套24小时后台运行的android 连接器 应用场景？
8.1K10编辑于 2024-10-08 看懂AI Agent市场，等于提前看懂未来三年最值钱的方向
如果把围绕Agent的软件、云服务和基础设施都算进去，Gartner的预测更夸张：今年相关支出约2000亿美元，到2027年，Agent将正式超过聊天机器人，成为AI软件里收入体量最大的一个类别。 89%的企业已经部署了Agent，但只有约15%有系统化的评估手段。也就是说，大家都在用，但很少有人知道自己的Agent干得好不好——这个错位本身就是机会。 通用Agent是大厂的机会，垂直Agent才是普通创业者的破局点。三、三个大坑：为什么很多Agent项目会黄？市场火热，但落地很残酷。数据不会骗人：第一个坑叫"演示即巅峰"。 更要命的是多Agent协作——有研究分析了1600多条执行轨迹，发现多Agent系统的生产失败率高达41%到86.7%，79%的故障源于任务描述不清和协作崩溃。 Agent成功运行的token消耗，约是失败运行的50倍；一次失控的Agent循环，最高能烧掉47000美元。很多企业算完账才发现，让AI"自己干活"的钱比请人干活还贵。
18000编辑于 2026-09-02什么是LLM、Agent、RAG？这绝对是你看过最通俗的AI科普！
是不是总被LLM、Agent、RAG、大模型微调这些英文和专业术语绕得头晕？明明每个字都认识，连在一起就完全看不懂？别人聊得火热，自己却像个局外人？别焦虑！ 同一个指令，每次生成的结果都不一样，你需要多试几次（抽卡），才能“抽”到最完美的那张图。第三阶段：解决AI的工作失误（补救与培训）AI员工虽然聪明，但也有致命缺点，我们需要用技术手段帮它补救。 19.Agent（智能体）：会“全自动干活”的终极员工普通的AI你推一下它动一下。而Agent有自主性，你给它一个大目标（比如：帮我订一张明天去北京的机票），它能自己拆解步骤、自己调用工具去完成。 比如国内的molili（即OpenClaw的中文版），它就像Agent的神经系统，能把大模型和各种电脑终端工具无缝连接，让AI真正长出“手脚”去干活。 23.Multi-Agent（多智能体）：AI员工“组队打怪”一个AI搞不定的复杂大项目，就弄几个Agent组队。一个负责写代码，一个负责测试，一个负责写文档，全自动流水线。
1.6K20编辑于 2026-04-02全网最完整的 Agent 开发学习指南，一张图讲清楚
讲个最简单的例子，你要做一个企业员工知识库，让员工可以问公司年假怎么算、报销流程是什么。 这些内部规则，通用模型不可能知道。 选 Coze ，可以最快、最简单地创建一个功能丰富的 AI 聊天机器人。 选 Dify，如果你需要在企业内部构建、管理和运维复杂、专业的 AI 应用。 接下来说 多 Agent 协作。 这是为了解决单 Agent 上下文膨胀和工作范围不清晰的问题，让各个 Agent 的职责清晰单一，协作起来的效率会更高。 而可定制的领域Agent，这是 AI 能力的最终体现形式。 它不是零散的功能点，而是一系列面向业务目标、可自主执行任务的领域专用智能体。 比如商机转化Agent。 去 Dify 上搭一个最简单的知识库问答，去 LangGraph 上跑一个多 Agent 协作的 demo 。 踩了坑，才知道哪里需要补。 我自己也是这样过来的。
9.9K33编辑于 2026-04-28- 来自专栏数智转型架构师
全网最火的 Agent Skills 都在这了！这 7 个宝藏市场建议收藏
最近 Agent Skills 特别火，很多朋友都想找一些特别好用的、特别有用的 skills。 这篇文章给大家盘点一下比较知名且相对比较火爆的一些 skills 市场。 身边有朋友做 AI 业务自己写一个初版提示词，然后用我的提示词自动优化 skill 匹配最专业的框架，然后澄清和进行优化，反馈效果有提升。 https://skills.sh/ 这个网站的最大特色就是支持一个指令，自动检测多个知名 Agent，自动一键安装。
8K11编辑于 2026-03-04 能不用Agent就不用：AI编排架构里最反直觉的设计原则
2026年最流行的技术幻觉：只要上了Agent，问题就能自己解决。 事实是——Agent用得越多，你失控得越快。最好的Agent架构，恰恰是Agent用得最少的那种。 先讲一个真实的故事。 这就是过度Agent化的代价：把一个确定性问题交给了概率性系统去"自由发挥"。 一、先搞清楚一件事：什么是Agent，什么不是 这个行业最大的混乱之一，就是所有东西都被叫Agent。 还是别上Agent。 如果决策分支多到写不完、或者需要根据中间结果动态调整策略——好，这时候Agent才有存在的意义。 Agent是"没办法的办法"，不是"最先进的做法"。 反模式——让Agent"自己想办法"： 1 Agent调用API失败 → Agent决定换一种方式试 → 又失败 2 → Agent决定换另一种 → 循环8次 → 超时 → 用户等了2分钟看到一个空白页面 Agent有它的价值——在真正需要动态决策的场景里，Agent是不可替代的。但那些场景，远比你想象的少。 克制，是架构师最被低估的美德。
28710编辑于 2026-06-04- 来自专栏大模型应用开发
AI 圈最疯狂的一次「圈地运动」：Agent Skills 凭什么横扫全行业？
2025 年 10 月 16 日，Anthropic 给 Claude 上线了一个叫 Agent Skills（智能体技能） 的功能。 想搞懂为什么爆火，你得先明白：Agent Skills 到底解决了什么要命问题，又为什么这个问题在 2025 年突然变得火烧眉毛。 为什么 Agent Skills 如此重要？ Agent Skills 就是这个答案。 Agent Skills 到底怎么解决问题的？ Agent Skills 正确使用姿势：什么时候用，什么时候别用 ✅ 最适合用 Skills 的场景 1. 分步流程 第一步，写死细节 第二步，明确规则 …… 示例 给真实输入输出，AI 最吃这一套。 常见坑（千万别做） 明确禁止 AI 做什么。 3. 用真实任务去测 写完别自我感动，扔到真实工作里跑。
36210编辑于 2026-06-26 - 来自专栏agent平台
Agent渡劫48关-第4关-Tool参数为什么最容易在线上出问题？
Agent手里最常用的三个工具，是queryOrder、createTicket和refund。 OWASP的ExcessiveAgency把这件事讲得很直接：过度的功能性、过度的权限、过度的自主性，是LLM应用最容易被忽视的风险来源，而参数层正是这三件事最先暴露的地方。 收益有三条：失败可归因，每层有独立失败码；失败拦在最便宜的一层，格式问题不会打到订单库；权限与租户隔离被强制加进写路径，绕不过去。 改在最痛处补在最险层一次改一处才知是对是错08、演进展开代码语言：TXTAI代码解释[同一次refundtool_call]|+--[V1]解析JSON+Schema校验→直接执行|结构合法即放行，业务事实无人验证 9.2参数越少，Agent越安全反直觉判断：减少字段不是降低能力，而是提升安全。
14911编辑于 2026-09-13 本地 Agent 拉日志做异常初筛，是企业 AI 运维最务实的入口
所以 Agent 要同时看：错误次数；错误率；同比或环比变化；是否集中在某个接口、用户、地域、实例或版本。2. 新模式异常线上最值得警惕的，往往不是已知错误，而是第一次出现的错误。 这正是本地 Agent + AI 的价值点：它不仅看日志级别，还能理解日志里的业务含义。四、一个可落地的本地 Agent 架构本地 Agent 不应该做成一个“会聊天的运维机器人”。 几周之后，你会知道这个服务常见异常有哪些，哪些异常值得关注，哪些异常只是噪声，哪些接口最脆弱。这时，本地 Agent 才真正开始产生复利。它不再只是一个定时脚本，而是在沉淀你们团队自己的运维经验。 但在真实工程世界里，它可能是最值得先做的 AI 运维入口。因为它足够贴近痛点，也足够容易验证价值。日志每天都在产生，异常每天都在发生，研发每天都在排查。 AI 最擅长放大已有秩序。如果你的日志没有结构、错误码没有规范、发布记录查不到、事故复盘没人写，那么再强的大模型也只能在混乱里猜。
25700编辑于 2026-07-10十亿独角兽荒：Agent 赛道最值钱的那层，被两头吸干了
全球已有 Harvey、Sierra、月之暗面破十亿——可为什么没有一个「纯种」Agent 独角兽？ 真正值得追问的，是另一件事：为什么破线的全都是「不纯」的玩家，而「纯做 Agent」的那一层，始终长不出独角兽？答案不是赛道不火，而是最值钱的中间层，正被上下两头同时吸干。 2026 上半年，中国 AI 创业融资总额突破 3000 亿元，钱最密集的地方，恰恰是那些「还没拿出公开产品、只靠蓝图和创始人背景」的 Agent 明星项目。 这既是抢跑，也是温度计：一级市场对 Agent 的热情远没退烧。 五、价值虹吸下的三条生存法则 写在最后 「独角兽荒」从来不是 Agent 不火，而是价值正在重新分配。模型向下吞、场景向上锁，卡在中间的「调度层」成了最拥挤也最稀薄的地方。
13010编辑于 2026-09-17Hermes Agent 是什么？一文读懂2026年最火的开源 AI 智能体
Hermes Agent 的野心比这大得多。Hermes Agent 到底是什么？ 自我进化（Self-improving）这是 Hermes Agent 最核心的差异化特性。 小结Hermes Agent 代表了 AI Agent 发展的一个重要方向：从"一次性工具"走向"持久化伙伴"。 快速上手 Hermes Agent：仅需三步轻松安装想要体验 Hermes Agent 的强大能力？ 立即前往腾讯云官网选购 Hermes Agent 专属云服务器部署完成后，可参考详细的安装配置教程：玩转 Hermes Agent｜使用 Lighthouse 快速部署云上 Hermes Agent FAQ
11.5K21编辑于 2026-04-15- 来自专栏大模型应用开发
AI 圈最疯狂的一次「圈地运动」：Agent Skills 凭什么横扫全行业？
分步流程第一步，写死细节第二步，明确规则……示例给真实输入输出，AI最吃这一套。常见坑（千万别做）明确禁止AI做什么。3.用真实任务去测写完别自我感动，扔到真实工作里跑。
1K10编辑于 2026-02-10 - 来自专栏AI技术体系搭建过程
Superpowers让AI从「游侠」变成「将军」
这是最被忽视、也最关键的一步。 业务场景：老李的团队接到需求："给电商系统加个优惠券功能"。 ③ writing-plans（任务拆解） 把设计拆解为 2-5 分钟可完成的最小任务单元，每个任务包含：精确文件路径 + 完整代码 + 验证步骤。这是 AI 自主工作不跑偏的关键。 主 Agent 作为"指挥官"，为每个任务启动全新的子 Agent执行，执行完成后进行两阶段审查（规格符合度 + 代码质量）。新鲜的子 Agent 没有前几步的"记忆污染"，更客观。 启用多 Agent（支持并行子 Agent） # 在 ~/.codex/config.toml 中添加： # [features] # multi_agent = true # 4. 计划包含：src/coupon/types.ts（类型定义）→ src/coupon/validator.ts（验证逻辑）→ src/coupon/service.ts（业务逻辑）→ 对应测试文件，每步 2-
1.2K31编辑于 2026-04-14 AI 写代码越来越快，为什么你的项目反而越来越乱？
写一个单文件脚本，agent 表现很好。但一旦项目有 50 个文件、3 层抽象、一套 CI 流水线——agent 就开始"自由发挥"了。 agent 在开始任何任务前，会自动扫描可用的 skills，然后强制按流程走： Brainstorm — 用苏格拉底式提问厘清需求，不允许直接动手 Plan — 拆成 2-5 分钟的小任务，每个任务写明精确的文件路径和验证步骤 这个仓库最反直觉的地方：77k stars，代码几乎全是 Shell 和 Markdown。没有 Python，没有 TypeScript，没有 Rust。 为什么？ 它是一组对 LLM 最友好的格式——纯文本的 Markdown 和 Shell 脚本。 agent 不需要理解复杂的类型系统或 API 设计。它需要的是：清晰的规则、明确的步骤、可验证的检查点。 superpowers 用 77k stars 证明了一件事：开发者不缺能写代码的 agent，缺的是能做工程的 agent。 你在用 AI agent 写代码时，遇到过哪些"纪律"上的坑？
35010编辑于 2026-03-30- 来自专栏AI技术体系搭建过程
Superpowers让AI从「游侠」变成「将军」
启用多 Agent（支持并行子 Agent） # 在 ~/.codex/config.toml 中添加： # [features] # multi_agent = true # 4. 这是最被忽视、也最关键的一步。业务场景：老李的团队接到需求："给电商系统加个优惠券功能"。没有 Superpowers 时，AI 直接开写，三天后发现没考虑优惠券叠加规则、过期逻辑、与会员等级的联动。 ③ writing-plans（任务拆解）把设计拆解为 2-5 分钟可完成的最小任务单元，每个任务包含：精确文件路径 + 完整代码 + 验证步骤。这是 AI 自主工作不跑偏的关键。 主 Agent 作为"指挥官"，为每个任务启动全新的子 Agent执行，执行完成后进行两阶段审查（规格符合度 + 代码质量）。新鲜的子 Agent 没有前几步的"记忆污染"，更客观。 计划包含：src/coupon/types.ts（类型定义）→ src/coupon/validator.ts（验证逻辑）→ src/coupon/service.ts（业务逻辑）→ 对应测试文件，每步 2-
1.3K21编辑于 2026-04-06 - 来自专栏运维有术
Superpowers + PlanningWithFiles：4 个冲突点拆解，别让两个好工具互相打架
苏格拉底式提问，从粗糙想法提炼设计方案2. using-git-worktrees → 创建隔离工作空间3. writing-plans → 将设计拆解为 bite-sized 任务（每步 2- 每个任务粒度是 bite-sized（2-5 分钟），不允许 placeholder（TBD、TODO），每个任务自带 TDD 循环。 维度Superpowers planPwF task_plan文件位置docs/superpowers/plans/*.md项目根目录 task_plan.md任务粒度极细（每步 2-5 分钟，含完整代码 两套系统争夺 agent 的注意力。冲突 4：writing-plans 不会以 PwF task_plan 为骨架这个冲突是最根本的。 Superpowers 的 writing-plans skill 有严格的格式要求：每个任务必须包含精确的文件路径、完整代码、验证步骤任务粒度是 bite-sized（2-5 分钟）不允许 placeholder
1.5K00编辑于 2026-05-10 - 来自专栏SDNLAB
一文读懂三大性能监控流派的区别
Agent流派：Agent一般通过在装有应用程序的服务器上面部署相应插件或者在程序中植入相应代码的方式获取数据。Agent获取数据的方式是主动取数。 由于Agent部署在服务器内部，并且可以主动探测应用程序，所以Agent方式能够获取到很多程序底层运行的数据，更多的是反应了代码级别的程序运行状况。 与日志系统、Agent相比，网络流量分析在数据全面性上更普遍适用。 对应用的影响和风险性：日志系统和Agent系统需要占用较多的主机资源，而且有一定的兼容性风险。 但当时情况是，当用户提交一笔交易，核心调用数量却高达2-5笔。 当时应用部门配备了日志和Agent工具，通过这两个工具看到，从WEB发出的1笔交易，到了核心服务器变成了2-5笔。 通过BPC发现，从WEB到F5发出交易数量确实是2-5笔，问题的源头在于WEB服务器。同时BPC还发现从WEB端发出的这2-5笔都是没有响应的，且每一笔间隔时间都是固定300秒。
1.7K30发布于 2020-06-04 听说，Agent都在找这个“箱子”
2025，Agent很忙。上半年忙着找啥模型好用，下半年忙着找啥箱子安全。“会动手”的 Agent 开始在企业内部上岗成为数字员工，但它真的动起手来，也是让人心里一紧。 于是大家又想起了沙箱（Sandbox）——这个计算机安全领域最老、却从未过时的技术。沙箱的本质，就是解决 Agent 自主性带来的安全风险。 它为 Agent 提供隔离、监控、记录、约束的受控执行环境，成为智能体与真实世界之间最关键的安全边界。问题在于，传统沙箱太慢。 腾讯云 Agent Infra 工程师说，在设计 Agent 沙箱服务时，并不是在旧技术上“打补丁”，而是专门为 Agent 设计了一套平台虚拟极速交付底座——Cube（MicroVM Runtime） //高并发也不在话下Agent 的执行不是“一次一次”，而是成片触发。腾讯云将网络、进程、磁盘等关键资源提前池化，打通启动链路上的卡点，让沙箱在高压下也能稳态运行。
1.6K10编辑于 2025-12-15
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号