AI Agent学习笔记（20260817）

最新推荐文章于 2026-08-18 19:35:05 发布
原创 最新推荐文章于 2026-08-18 19:35:05 发布 · 167 阅读 · 6 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
GEO检测

https://www.bilibili.com/video/BV1QhPQzoEEF?spm_id_from=333.788.player.switch&vd_source=bdf1567680c44f72b0a1fff4ad90e553&p=6
肖斌

关于Agent和Multi-Agent的面试题


一. WorkFlow和Agent有什么区别?


WorkFlow根据项目需要定义清晰的逻辑链
Agent是ReAct（）
项目中采用了langchain和langgraph框架开发，在这个框架中Agent本质就是WorkFlow，它是一种特殊的WorkFlow，且Agent的底层也是由WorkFlow的graph来实现的
区别：
WorkFlow，采用逻辑链
Agent，始终由大模型进行自主规划路径

从灵活度上来说，WorkFlow更灵活，它也可以加入大模型进行自主决策，也可以使用其它方式决策


二. 能直接把超过30个以上的工具都给Agent?


不能。因为这样可能出现上下文窗口爆炸的情况；另外这样思索时间可能变长；token变多成本飙升


三. Multi-Agent的连接方式有那几种?


目前本质上有两种：
1.主管架构：可能设计成多层主管架构
2.网络架构：可能回造成智能体间相互跳转可能导致死循环

四. 怎么确保Agent能正确完成意图决策从而选择合适的工具?


1.选择基于智能体意图决策后训练优化的推理模型，让智能体拥有更加聪明的核心大脑
2.要定义完整的清晰化的工具描述以及工具的参数描述，让智能体知其所能
3.用精确的提示词引导智能体，比如采用Few-Shot提示词工程或者动态提示词加载工程来让智能体选其所示
4.设置合适的节点和工具调用容错备份机制，让智能体善用其果
5.定义清晰的智能体边界，让多个不同功能边界的子智能体协调完成复杂任务，并且每个子智能体管理一小部分工具，可以显著提升智能体工具决策的准确性和鲁棒性
6.在某些意图非常重要的决策场景下，最好采用agent evaluation来评估智能体的最终答案 （目前评估框架有RGS、agent evaluation框架）

标签
#学习 #笔记
企业数字化转型最大的坑是什么？避坑指南与主流AI Agent方案技术深度拆解
2501_92351994的博客
08-17 158
企业数字化转型最大的坑在于“战略规划与业务执行的错位”以及“技术方案与真实场景脱节”。随着AI Agent技术的成熟，非侵入式方案（如实在Agent）能通过视觉理解技术适配老旧系统，解决数据孤岛问题。主流AI Agent方案可分为全栈通用型（实在Agent、微软Copilot）和生态集成型（Salesforce Agentforce）。选型需考虑技术适配性、信创要求及业务场景，从小场景切入，坚持人机协同，才能有效规避转型陷阱，实现业务自动化升级。
【CVPR 2025】UNEM：展开广义EM，让少样本推理超参数自动学习｜从少样本学习算法设计视角
白拾的博客
08-16 157
CVPR 2025 论文 UNEM 解读：把广义EM迭代展开成 10 层网络（仅 21 个参数），在验证集上自动学习类别平衡与温度超参数；纯视觉最高 +10%，CLIP 11 数据集平均 +4.2pt。
【WMS学习笔记系列】02-系统架构设计
IT古董
08-18 226
本文介绍了WMS（仓库管理系统）的系统架构设计，重点推荐采用模块化单体架构（Modular Monolith）作为中小型WMS的初始架构方案。该架构具有开发效率高、部署运维简单等优势，适合团队规模小、业务初期的场景。文章详细说明了技术栈选型（MySQL、Redis、RabbitMQ等）、模块划分方案（核心模块、入库/出库等业务模块），以及包结构规范。同时提出了库存扣减、库位推荐、波次策略等核心业务设计，并阐述了分布式锁的应用场景和安全架构设计（RBAC权限模型）。该架构支持未来平滑过渡到微服务架构，为系统演
近期手工规则转量化：按学习、表达、开发、验证推进
2601_95631988的博客
08-17 226
从手工规则进入可执行量化表达时，可以先分清学习、表达、开发和验证四个阶段。文章说明每个阶段要解决的问题，并解释 Python 与 API 应在规则表达和运行检查之间承担连接作用。
buuctf-pwn [NewStarCTF 2023 公开赛道]canary题解（学习过程持续更新）
2501_93570847的博客
08-15 330
本文记录了一个通过格式化字符串漏洞绕过Canary保护并利用栈溢出执行后门函数的PWN学习过程。首先分析了程序的保护机制（64位、Canary、NX、Full RELRO），通过IDA反编译发现存在printf格式化字符串漏洞和read栈溢出漏洞。通过调试确定输入数据到canary的偏移（40字节），构造两次payload：第一次利用格式化字符串泄露canary值，第二次结合泄露的canary构造ROP链，覆盖返回地址为后门函数（0x401262）成功获取shell。最终通过该漏洞获取flag完成挑战。
具身智能论文学习14：π0.5: a Vision-Language-Action Model with Open-World Generalizatio
weixin_74009895的博客
08-18 91
《π0.5：具有开放世界泛化能力的视觉-语言-动作模型》提出了一种创新方法，通过在预训练阶段使用FAST离散动作和后训练阶段引入Flow Matching连续动作，实现了高效的规模化训练与实时控制平衡。该模型采用分层推理架构，能自主预测语义子任务并生成连续动作，在全新家庭环境中完成多阶段家务任务。实验证明，跨机器人数据协同训练和环境多样性显著提升了泛化能力，使模型在未见过的真实厨房和卧室中达到65%-95%的任务完成率。主要创新包括混合动作表示、统一的高层-低层推理框架及真实环境验证，但仍存在长时程状态管理
Linux系统学习【进程间通信、管道、匿名管道、以及命名管道、system V共享内存、消息队列以及信号量的原理解析与实践应用】
承渊政道的博客
08-18 9987
本文系统介绍了Linux系统中的进程间通信(IPC)机制，重点分析了管道、共享内存、消息队列和信号量等核心IPC方式。文章从进程隔离与通信需求切入，阐述了IPC在数据传输、事件通知和进程同步中的关键作用。通过对比不同IPC机制的特点与适用场景，帮助开发者根据业务需求选择合适的通信方案。文中结合实践示例，详细讲解了匿名管道、命名管道、System V IPC的系统调用接口和编程方法，并强调了资源释放的重要性。学习这些IPC技术将为并发编程、网络服务和分布式系统开发奠定基础。
PostgreSQL笔记5: 学习资源与社区生态全景指南
Wang的专栏
08-16 213
本文系统梳理了PostgreSQL在中国及全球的社区生态体系和学习路径。主要内容包括： 中国PostgreSQL社区组织： 中国开源软件推进联盟PostgreSQL分会（PG分会）：举办年度技术大会，提供PGCA/PGCE/PGCM认证体系和PostgreSQL ACE荣誉计划 PostgreSQL中文社区：维护中文文档，组织技术活动，设立MVP荣誉体系 学习资源： 官方文档和Wiki 推荐书籍（从入门到内核原理） 技术社区（PGFans问答社区、数据库内核月报等） 开发者资源（CommitFest、邮件列
MIPI学习
weixin_44357071的博客
08-18 5
参考视频：https://www.bilibili.com/video/BV188411o7bL/?spm_id_from=333.337.search-card.all.click&vd_source=aedd69dc9740e91cdd85c0dfaf25304b
Agentic AI 架构完整学习手册（课程精华全收录）
zylyw123的博客
08-13 1527
课程全称：Agentic AI Architectures with Patterns, Frameworks and MCP（智能体式 AI 架构：模式、框架与 MCP）。 副标题承诺三个核心交付：将要学习：① Router & Specialist路由 + 专家分工② Tool Use + MCP + HITL工具调用 + 协议 + 人工确认③ ReAct + Reflection + Handoff推理行动循环 + 反思 + 交接After：Agentic 层用户请求Agentic Layer 智能体
AB测试系统学习
Jack_2085
08-18 166
1、AB测试的定义：
如何学习opencode和openclaw源码
qfljg的专栏
08-15 187
这是学习大型开源项目时最容易踩的坑。src/├── a.ts├── b.ts├── c.ts├── d.ts├── ...然后从第一个文件开始看。这种方式通常很快就会迷路。从一个真实问题开始，沿着调用链阅读源码。用户输入↓Session↓Agent↓LLM↓Tool Call↓↓↓Agent Loop↓最终结果通过一个完整请求，把整个系统串起来。当你能够解释这条调用链之后，再深入研究每一个模块。VS CodeOpenCode问题驱动 + 调用链追踪。
Git学习笔记：GitHub Git Data API 完全指南，用 Go 操控 Git 底层对象
欢迎访问我的个人博客：https://www.lxpavilion.top/
08-13 238
本文介绍了Git Data API的核心概念与基本操作流程。该API允许开发者直接操作Git底层数据结构，包括Blob（文件内容）、Tree（目录结构）、Commit（快照）和Ref（分支/标签指针）。相比Contents API，Git Data API支持批量操作、大文件处理和更精细的版本控制。 文章详细讲解了Blob和Tree的创建与获取方法，通过Go代码示例演示了如何将文件内容编码为Blob对象，以及如何组织Blob形成目录结构（Tree）。特别说明了文件模式（mode）的不同取值及其含义，如100
c++游戏后端开源框架学习——wukong（六、大厅）
weixin_40453090的博客
08-13 192
lobby/
【MES学习笔记系列】MES 推荐书籍与资源
IT古董
08-14 620
本文档系统整理了MES（制造执行系统）学习资源，按学习阶段分类推荐。核心内容包括：1）经典书籍（标准理论、生产管理、技术架构）；2）学术论文与白皮书（研究方向、行业报告）；3）在线课程（中英文平台）；4）开源项目与开发工具；5）技术社区与行业资讯。特别提供了零成本学习路径建议，强调MES需同时掌握业务知识（如精益生产）与技术能力（如微服务开发）。文档突出ISA-95标准的核心地位，并推荐从科普视频入门，逐步过渡到开源项目实践，最后关注行业落地案例。
LangChain 入门学习第三篇-工具调用和 Agent
音视频开发进阶
08-15 246
前两篇已经完成了基础模型调用、PromptTemplate 和结构化输出。 这一篇开始进入 LangChain 里非常关键的一块：工具调用和 Agent。 本文对应代码位于 code/langchain-demo/chapter03。这一章依然保持独立目录，避免后续代码改动影响前面文章的示例。 本篇目标 在开始之前，先明确一下这篇要解决的问题。 前两篇里，模
【Kafka学习2】Apache Kafka 典型应用场景
最新发布
海兰
08-18 164
Kafka作为分布式流处理平台，在多个场景中展现出核心优势。它最初为网站活动跟踪设计，具备高吞吐、低延迟特性，支持百万级消息处理。在大规模消息队列场景中，Kafka通过分区机制和持久化存储解决了传统MQ的扩展性瓶颈；在日志聚合方面，其实时流式处理能力显著优于传统文件收集方式。此外，Kafka原生支持流处理管道搭建，通过Kafka Streams实现状态化处理，并完美适配事件溯源模式，成为分布式系统的可靠提交日志。其多订阅、副本容错等特性，使其在指标监控等场景中表现优异。综合来看，Kafka已从消息中间件演进
K-Means算法-学习笔记
qq_64851111的博客
08-15 232
K-Means 是一种经典的无监督聚类算法，核心思想是将 n 个样本划分到 k 个簇中，使得簇内样本之间的相似度最大化，簇间相似度最小化。
高通学习25--安装Hexagon toolchain Ubuntu（TODO）
fanged的专栏
08-17 203
【代码】高通学习25--安装Hexagon toolchain Ubuntu（TODO）
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值