- 综合排序
- 最热优先
- 最新优先
- 来自专栏XINDOO的专栏
Agent设计模式——第 13 章：人机协同
人机协同（Human-in-the-Loop，HITL）模式在 Agent 的开发和部署中扮演着关键战略角色。 人机协同模式概述 人机协同（HITL）模式通过整合人工智能与人类输入来增强 Agent 能力。 实践代码示例 为演示人机协同模式，ADK Agent 可识别需要人工审查的场景并启动升级过程。这允许在 Agent 的自主决策能力有限或需要复杂判断时进行人工干预。 为什么：人机协同（HITL）模式通过战略性地将人类监督整合到 AI 工作流中提供了标准化解决方案。 可视化摘要： 图 1：人机协同设计模式 关键要点 关键要点包括： 人机协同（HITL）将人类智能和判断整合到 AI 工作流中。 它在复杂或高风险场景中对安全性、道德和有效性至关重要。
1.3K10编辑于 2025-10-27 - 来自专栏技术汇总专栏
面向 LLM Agent 的组织模型设计：多 Agent 协同的新范式
面向LLMAgent的组织模型设计：多Agent协同的新范式一、引言：为什么多Agent系统需要“组织模型”随着人工智能系统从“单智能体”向“群体智能”演进，多Agent系统（Multi-AgentSystem 不同Agent是否拥有相同的决策权限？多个Agent如何避免冲突、实现高效协同？ 五、任务协同策略：让Agent“高效合作”而非“各自为战”5.1任务协同的挑战多Agent协作通常面临以下问题：任务依赖关系复杂资源竞争与冲突通信成本过高因此，合理的任务协同策略是MAS成功落地的关键。 5.2常见协同模式集中式协同由中央协调Agent统一调度易管理，但存在单点瓶颈分布式协同Agent自主协商（如ContractNetProtocol）可扩展性强，但实现复杂混合式协同高层集中决策，底层分布式执行工业级系统常用方案 、总结：组织模型是多Agent系统工程化的核心在多Agent系统中，组织模型并非理论附属品，而是工程落地的关键设计层：角色分配解决“谁来做什么”权限管理解决“谁能决定什么”任务协同策略解决“如何高效一起做
55710编辑于 2026-01-12 AI Agent 职场协同范式下的职业路径规划
3.多智能体系统架构师：高阶协同的系统设计适合人群：高阶产品经理、技术总监、创业者核心能力：复杂人机协同系统的架构设计能力核心任务：构建多智能体的协同体系，包括角色分工、任务调度、冲突消解、结果聚合等， 本质是设计虚拟的“数字劳动力组织”，让多个智能体像人类团队一样协同完成复杂任务。 核心竞争力：系统思维与全局视角——能平衡单个智能体的效率与整体系统的协同效率，构建可扩展、可迭代的多智能体架构。 长期价值：成为人机协同系统的核心节点智能体的普及会逐步推动企业组织向“人机协同的分布式系统”演进，组织形态更轻量化，但个人的协作边界会被拓宽。 智能体不是替代者，而是协作体系中的重要节点，核心是构建自己在人机协同系统中的不可替代性——要么具备精准的业务洞察，要么具备工程化落地能力，要么具备系统架构思维，这些都是无法被智能体轻易替代的长期价值。
32210编辑于 2026-01-31- 来自专栏技术汇总专栏
多 Agent 视角下的自动驾驶系统设计：车端 Agent 与 RSU Agent 协同机制解析
多Agent视角下的自动驾驶系统设计：车端Agent与RSUAgent协同机制解析一、引言：为什么自动驾驶需要协作式Agent在传统自动驾驶系统中，车辆往往被设计为高度自治的单体智能体：依赖车载传感器（ 二、协作式Agent系统总体架构1.系统角色划分Agent类型部署位置核心职责车端Agent自动驾驶车辆局部感知、轨迹规划、车辆控制路侧Agent路侧单元（RSU）全局感知、交通协同、策略协调云端Agent ││Agent││││││感知/决策/││全局融合/││控制││协同调度│└────────────┘└──────────────┘三、车端Agent设计1.车端Agent的核心模块车端Agent通常包含以下子模块 的关键设计要点1.职责边界清晰车端Agent：安全兜底、实时控制路侧Agent：协同优化、全局指导路侧不直接“控制”车辆，而是提供约束与建议。 通过将实时控制与安全兜底职责下沉至车端Agent，同时由路侧Agent承担全局态势感知与协同决策功能，系统能够在复杂、多车交互环境中实现更高水平的安全性与通行效率。
51910编辑于 2026-01-12 多 Agent：从单打独斗到团队协同
我们需要构建一个“多 Agent + Skills + Spring AI”的自主决策智能体架构。 多 Agent：从单打独斗到团队协同在复杂的编程任务中，单一大模型往往因为上下文窗口限制或工具选择困难而力不从心。多 Agent 架构的精髓在于“专业分工”。 例如，我们可以设计一个“规划者 Agent”，它不直接写代码，而是负责接收用户的宏观需求，将其拆解为一个个可执行的技术步骤；接着，“执行者 Agent”根据规划者的指令，专注于具体模块的代码生成与逻辑实现 ；最后，必须有一个严格的“审核者 Agent”，它负责对照业务规范和代码质量标准，对执行者的产出进行验收。 在 Spring AI 中，我们可以轻松地将子 Agent 封装为 AgentTool，让主 Agent 像调用普通工具一样灵活调度它们。
13100编辑于 2026-05-30深入解析Agent SubAgent架构：原理、协同逻辑与实战落地指南
），二者各司其职、协同联动，共同完成单一Agent无法高效处理的复杂任务。 二、核心原理：Agent Subagent的协同逻辑与运行流程Agent Subagent架构的核心魅力，在于“高效协同”——主Agent与子Agent之间通过明确的指令传递、结果反馈、上下文同步，实现 核心协同机制：确保主从联动无断层Agent Subagent的高效运行，离不开三大核心协同机制，这也是架构设计的关键：上下文同步机制：主Agent将用户指令、任务拆解信息、子任务进度等上下文，实时同步给相关子 三、Agent Subagent架构设计要点：打造高效协同的多智能体系统设计Agent Subagent架构，核心是“明确分工、高效协同、低耦合”——主Agent与子Agent之间既要职责清晰，又要联动顺畅 六、Agent Subagent开发避坑指南：避开这些高频陷阱Agent Subagent架构的开发，核心难点在于“协同逻辑”与“分工设计”，很多开发者容易陷入一些共性陷阱，导致架构冗余、协同不畅、任务执行效率低下
2.7K20编辑于 2026-03-04- 来自专栏WorkBuddy知识库
Marvis 6大Agent协同实战：以打工好帮手为例
作者：华东子发布时间：2026年6月8日 10:00阅读时长：12-15分钟字数：约1000字关键词：Marvis Agent、多Agent协同、办公自动化、打工好帮手一、引言：为什么需要多Agent协同 "❌ 需要你手动操作每个步骤❌ 无法跨应用协同工作Marvis的多Agent协同会怎么做？ ✅ 自动调度6大Agent协同工作✅ 自主完成文件查找、内容提取、PPT生成、会议提醒✅ 你只需要下一个指令，剩下的全交给AI团队这就是多Agent协同的强大之处：让AI团队像人类团队一样分工协作，完成复杂任务 ：打工好帮手是办公场景的核心Agent，它经常与知识管理员（文档检索）、电脑小管家（文件查找）协同工作。 6大Agent协同工作白皮书》，2026年4月《多Agent协同架构设计》，中国人工智能学会，2026年3月4.Marvis用户交流群（QQ群）声明：本文为原创内容，基于公开资料和官方文档撰写，旨在分享
25510编辑于 2026-06-08 - 来自专栏大模型系列
Hermes Agent 与 OpenClaw 协同的局限性深度解析
本文将基于当前（2026年4月）的技术生态和社区实践，深入剖析二者协同架构中存在的关键瓶颈，帮助你在设计系统时做出更明智的决策。 协同困境：Hermes在做高阶决策时所依赖的“深层直觉”，很难被完整地传递给OpenClaw。 ⚖️第二章：工程实现的现实挑战2.1通信开销与延迟协同架构必然引入额外的网络跳转和序列化/反序列化过程（通常通过MCP协议）。 总结：何时选择协同，何时选择单一？场景推荐方案原因需要Agent能自我学习、长期陪伴、深度理解用户优先选择Hermes其内生式成长模型是核心优势，无需OpenClaw的复杂性。 既有复杂的长期规划和学习需求，又有极其多样化的底层执行需求谨慎考虑协同架构必须充分评估上述局限性，并准备好应对工程复杂度。总而言之，Hermes与OpenClaw的协同并非“银弹”。
88110编辑于 2026-04-13 - 来自专栏技术汇总专栏
教师-学生协同训练机制下的AI Agent加速方法研究
教师-学生协同训练机制下的AI Agent加速方法研究一、引言随着人工智能（AI）模型的规模不断扩大，AI Agent 在自然语言处理、智能决策和多模态推理等场景中展现出了强大的能力。 如何在保证性能的同时，实现 模型压缩与加速，成为AI Agent落地的关键问题。 中的模型蒸馏应用AI Agent 系统中常见的模型蒸馏应用包括：语言模型蒸馏：将GPT类大模型蒸馏为轻量化模型，加速对话响应。 强化学习Agent蒸馏：在复杂环境中，用大模型指导小模型策略学习。多模态蒸馏：在视觉-语言Agent中，将视觉模型和语言模型的知识压缩到统一的学生模型。 六、结论基于模型蒸馏的模型压缩与加速技术，为AI Agent在资源受限环境中的部署提供了有效的解决方案。
43010编辑于 2025-08-28 AI Agent协同体系将媒体内容生产效率提升300%
NVIDIA创始人黄仁勋在GTC 2026预测：未来企业员工将与百倍数量的AI Agent协同工作。 传统采编发流程需几十分钟，错过热点传播的分钟级窗口 内容规模化瓶颈： 单个IP需适配十余个平台，人工生产效率已达上限 人力资源刚性约束： 7×24小时值守与重大赛事并发需求超出人工承载力 构建"人智协同 "的双层Agent体系 腾讯云Workbuddy解决方案通过六大核心模块实现Agent协同： 规划与编排引擎：将复杂任务拆解为有序子步骤，支持断点续传 沙箱执行环境：在隔离容器中安全执行代码和文件操作 闲置 支持并行处理多任务，单个指令可调度策划、编辑、审核等5类Agent协同 央视体育赛事报道实现分钟级响应 在世界杯赛事报道中，央视部署"小纪助理"系统： 系统自动识别进球热点（P0级），3分钟内完成集锦制作 、WorkBuddy等开箱即用工具 能力层：建立虚拟员工库、技能库、工具库三大仓库体系 引擎层：采用Workflow主干保证流程确定性，结合Agent灵活判断 该体系已支持单人多Agent协同作业，将传统串行工作模式升级为并行智能流程
12200编辑于 2026-06-12- 来自专栏技术汇总专栏
面向复杂动态环境的AI Agent协同策略设计与性能分析
面向复杂动态环境的AI Agent协同策略设计与性能分析引言在人工智能的发展过程中，AI Agent 已经逐渐从单一任务执行者演化为具备自主学习、协作和推理能力的智能体。 因此，构建 多智能体（Multi-Agent System, MAS） 的深度协同机制，以及高效的信息共享方式，成为提升 AI Agent 在复杂环境中决策质量的重要研究方向。 深度协同与信息共享的优化方向1. 基于图神经网络的通信使用 GNN 建模多 Agent 间的动态拓扑关系，提升信息传递效率。2. 深度协同在复杂场景中的应用1. 智能交通系统在自动驾驶场景中，不同车辆（Agent）需要共享 道路信息、交通信号、意图预测 等数据。 结论本文提出并分析了 面向复杂决策的AI Agent深度协同与信息共享机制，并通过 无人机协同路径规划实验 展示了多 Agent 系统在复杂任务中的应用潜力。
74210编辑于 2025-09-11 - 来自专栏数智转型架构师
教会你一句话启动多Agent协同，效率爆棚！
不知道大家有没有这种感觉，这两年智能体（Agent）世界的进化速度简直让人应接不暇。 它们有的负责调研，有的负责创作，有的负责审核，大家像一个真实的团队一样协同作战，效率瞬间爆棚。 听到这里，很多人可能会在心里打退堂鼓：“让多个AI自己组队干活？这听起来也太硬核了吧！是不是得懂编程？ 这就是今天我想和大家分享的核心观点：在这个大模型越来越聪明的时代，实现多Agent协作的技术门槛，已经低到了说一句话就能实现的地步。 而在编程领域，多Agent协作同样是降维打击。 在过去，你让AI写代码，它可能直接给你抛出一坨bug满满的代码块。 请注意，您的Claude code中如果还没有Agent teams这个组件，以上方法是不能用的，若想正常使用，也是一句话：“请帮我安装并配置好agent teams组件”告诉Claude code就行了
1.1K10编辑于 2026-04-21 - 来自专栏张善友的专栏
.NET生态系统中的A2A（Agent-to-Agent）协议支持与跨平台多智能体协同
随着企业级智能化应用的广泛部署，智能体之间的通信和协同能力逐渐取代了单一模型的参数规模，成为决定整个数字生态效率的核心战略瓶颈。 在这一背景下，Agent-to-Agent（A2A）协议作为由Linux基金会托管、并由多家科技巨头（包括AWS、Cisco、Google、IBM Research、Microsoft等）联合技术指导委员会支持的通信标准 多智能体协同的通信瓶颈与A2A协议的标准化突围 在探讨具体.NET框架的实现细节之前，必须系统性地明确A2A协议的技术边界、核心设计理念及其试图解决的行业痛点。 智能体名片（Agent Card）是A2A分布式发现机制的核心载体。 整个行业正加速迈向标准化、跨平台、多组织互操作的协同网络新纪元。在这个关键的技术路线演进点上，.NET生态系统展现出了卓越的前瞻性布局以及深不可测的工程实现底蕴。
30110编辑于 2026-05-07 ToClaw白皮书：开启AI Agent跨设备协同的普惠时代
本白皮书将从市场背景、产品理念、核心技术、应用场景、安全合规等维度，全面阐述ToClaw如何通过“一个账号，全局调度”的跨设备协同能力，打破AI Agent的普及壁垒，推动生产力工具的民主化变革。 引言：AI Agent的爆发与普及之困2025年以来，以OpenClaw为代表的开源AI Agent项目在全球范围内迅速走红。 核心技术能力跨设备协同调度引擎基于ToDesk多年来在远程连接领域的积累，ToClaw构建了业界领先的跨设备调度能力：亿级设备并发连接：依托ToDesk的底层架构，支持海量设备同时在线，用户所有设备自动组成可调度的资源池 任务级分发与协同：用户下达指令后，ToClaw智能拆解任务，并根据设备性能、状态动态分配子任务。例如，让高性能PC执行渲染，让便携本执行数据采集。 对小型团队/工作室：以极低成本构建“设备军团”，实现多人协同的自动化流水线。对企业客户：提供安全可控的AI Agent解决方案，提升组织效能，降低运营风险。
62110编辑于 2026-03-24QClaw V2大版本上线：支持多Agent协同、跨应用直连
今天，QClaw V2大版本正式上线，新版本（V0.2.5）带来三大核心能力升级：// 上线多Agent功能，“团队”干活更高效以前的龙虾，一次只能干一件事，而且遇到复杂的长任务，很容易撑爆它的记忆（上下文 现在，QClaw V2版本上线了多Agent功能，你可以同时拉起最多3个Agent并行工作，把复杂长任务拆解、消化。 每个Agent的性格、口吻与经验均可自定义。 如果你不愿手动设置，系统也自带三位风格独特的Agent：包括毒舌撰稿人“无不言”、爹系辅导员“林且慢”、务实程序员“代可行”，一键即可调用。 // 上新连接器，跨应用直连更智能AI办公最大的断层在于：Agent帮你写好内容后，你还得手动复制粘贴到第三方应用中。QClaw V2版本推出的连接器功能，希望能够更好解决这个“最后一公里”的问题。 从多Agent并行提效、到跨应用一键执行、再到核心数据安全隔离。QClaw一直在努力，希望帮你更好养虾！
1.4K30编辑于 2026-04-13- 来自专栏菩提树下的杨过
Agent设计模式学习(基于langchain4j实现)(9) - 人机协同
从系统设计角度来说，整个AI智能体环节中，要预留人工干预的能力，也称为"人机协同"（human_in_the_loop) 示例代码： 1 @SpringBootApplication 2 public nextLine() 指定为终端控制台输入（也可以根据需要，换成其它方式，比如：读数据库，调用接口从其它系统获取） 67-71行，则是根据人工指令做出的响应（即前面学过过的条件工作流)，如果输入H，则执行下面的Agent 1 public class HoldOnAssist { 2 3 @Agent(description = "招聘流程暂缓") 4 public void abort() { 5 /agentic_turoial_with_langchain4j 参考： Building Effective AI Agents \ Anthropic [译] AI Workflow & AI Agent
30310编辑于 2026-02-01 - 来自专栏张善友的专栏
Microsoft Agent Framework：基于 DelegatingAIAgent 与 ChatClientAgent 的核心架构和协同范式
深入剖析这两种 Agent 类型的运行机理、职责边界以及在复杂系统中的协同管道模型，对于构建高可用、可观测、强一致性的企业级 AI 原生应用具有决定性的指导意义。 协同机制深度剖析：控制流、数据流与双向拦截模型 DelegatingAIAgent 与 ChatClientAgent 之间的关系不仅是静态的结构包裹，更体现为一种动态的双向拦截与协同模型。 多智能体工作流架构与 Agent-to-Agent（A2A）协同通信 在更高级别的企业应用中，Microsoft Agent Framework 通过明确的编排与多智能体工作流引擎，实现了单节点智能向集群智能的升维 ，更是系统工程化中极具智慧的双子星协同范式体现。 Microsoft Agent Framework 所开创的这套基于统一抽象底座的双轨协同模式，无疑为在企业级场景中构建健壮、可观测且无限扩展的多智能体工作流系统，树立了一个极具前瞻性的底层设计标杆。
47210编辑于 2026-03-16 腾讯构建智能座舱AI Agent：端云协同与混元大模型驱动
部署端云协同Agentic AI架构与多场景智能体 由钟学丹（腾讯智慧出行副总裁）主导，腾讯推出以“应用为中心”的出行全场景智能解决方案，核心采用Agentic AI架构，具备三大核心能力： 场景感知： 协同执行：跨域资源协同与任务闭环执行，联动地图、车控、内容等生态矩阵交付结果。 加油Agent：覆盖3万+油站，提供优惠服务。 充电Agent：接入130万+充电桩，供给充足。 停车Agent：实现Top服务商全覆盖。 娱乐与周边场景： 车载娱乐：通过音乐Agent（智能曲库）、短视频Agent（热门短剧）、新闻Agent（热点资讯）、云游戏等覆盖全场景休闲需求。 低延迟高可靠架构：端云协同架构实现单意图识别>95%、端侧延迟≤100ms，兼顾复杂场景深度理解与毫秒级响应，保障座舱系统稳定性与交互流畅度。
26600编辑于 2026-06-01Agent 与 LLM 的协同进化：Python 实现动态任务分解与资源调度
Agent 与 LLM 的协同进化：Python 实现动态任务分解与资源调度嘿，各位技术探险家们！欢迎来到今天超级酷炫的技术之旅。 三、Agent 与 LLM 为何要协同进化？你可能会问，Agent 和 LLM 各自都这么厉害，为什么还要协同进化呢？这就好比两个超级英雄，虽然各自能力超群，但如果携手合作，那威力可就呈指数级增长啦！ 从任务执行效率来说，两者协同可以实现更高效的任务处理。Agent 可以将复杂的任务分解成多个小任务，然后根据 LLM 的建议，合理安排资源和执行顺序。 六、常见面试题请简述 Agent 与 LLM 协同工作的原理。参考答案：Agent 负责在环境中自主决策和执行任务，而 LLM 为 Agent 提供语言理解和知识支持。 结语哇哦，各位小伙伴们，到这里我们这趟关于 Agent 与 LLM 协同进化，以及用 Python 实现动态任务分解与资源调度的技术之旅就要接近尾声啦！
1K10编辑于 2025-03-22- 来自专栏AI人工智能
协同进化：AIGC、Agent和MCP如何相互促进共同发展
协同进化：AIGC、Agent和MCP如何相互促进共同发展 Hello，我是摘星！ 在彩虹般绚烂的技术栈中，我是那个永不停歇的色彩收集者。 每一个优化都是我培育的花朵，每一个特性都是我放飞的蝴蝶。 图2：Agent与AIGC协同工作流程图2.3 协同效应量化分析class CoevolutionAnalyzer: """协同进化分析器""" def __init__(self): 协同进化的驱动因素4.1 用户需求驱动的技术融合用户需求类型单一技术局限协同解决方案价值提升智能内容创作AIGC缺乏上下文理解Agent+AIGC协同内容质量提升40%复杂任务自动化Agent缺乏创意能力 (agent)5.2 协同效果评估图4：单独使用vs协同使用效果对比图6. 标签： #协同进化 #AIGC #Agent #MCP #技术融合
36110编辑于 2025-08-08
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