富奥A
2026-03-03
阅读: 3
本文深入解析了Agent与SKILL的本质区别与协同关系，指出SKILL是Agent的能力原子单元，并详细阐述了SKILL的三层技术模型和从基础函数调用到自主决策技能的跃迁路径。文章旨在帮助读者建立对Agentic AI的核心认知，为后续的架构设计打下基础。
要点:
- Agent与SKILL的本质区别与协同
- SKILL的三层技术模型架构
- 从Function Calling到Agentic SKILL的跃迁
- 构建认知锚点的三个第一性原理
卿羽飞
2026-03-03
阅读: 2
本文介绍了生产级AI Agent/SKILL的开发理念与实战方法，强调SKILL是包含Schema设计、异常处理和性能优化的“契约工程”，而非简单的函数封装。文章通过电商订单查询的完整示例，详细阐述了Function Schema的设计法则和Python实现框架。
要点:
- SKILL是契约工程，非简单函数
- Schema设计需严谨，避免歧义
- 必须处理异常与性能延迟
- 提供Python生产级实现模板
卿羽飞
2026-03-03
阅读: 2
本文探讨了RAG与Agent的深度融合，分析了Agent需要RAG来解决长期记忆、领域知识和情景记忆等需求，介绍了Agentic RAG的主动检索机制，并提出了生产级Agent记忆系统的三层架构设计。
要点:
- Agent面临三类记忆需求
- Agentic RAG实现主动迭代检索
- 记忆系统分为三层架构
- 实战代码展示记忆系统构建
卿羽飞
2026-03-03
阅读: 2
本文是AI Agent系列教程的第六篇，重点讲解多Agent系统的概念、架构模式及实际应用。文章通过对比单Agent局限与多Agent优势，介绍了层级式、对等式、流水线和市场式四种核心架构模式，并以微软AutoGen框架为例展示了多Agent协作的代码实现。
要点:
- 多Agent系统解决单Agent能力局限
- 介绍四种核心多Agent架构模式
- 使用微软AutoGen框架实现协作
- 通过专业分工提升任务处理能力
- 提供实际代码示例
新民晚报
2026-03-03
阅读: 6
本文是AI Agent系列教程的第一篇，系统介绍了AI Agent的核心概念、与传统LLM的区别、四大核心组件（记忆、工具、规划、行动）、工作原理、主流框架对比以及典型应用场景。文章旨在为零基础开发者提供全面的入门指导。
要点:
- AI Agent能自主感知、决策与执行
- 与传统LLM相比，AI Agent具备主动规划能力
- 核心组件包括记忆、工具、规划与行动
- 主流框架有LangChain、AutoGen等
- 应用场景涵盖个人助手、数据分析等
环球网
2026-03-03
阅读: 1
文章通过职场新人入职的比喻，系统解释了AI领域的四个核心概念：LLM是大脑，Agent是执行者，Skills是具体工具，MCP是连接标准。这四者构成了AI从思考到行动的完整能力链条。
要点:
- LLM是核心大脑但缺乏行动力
- Agent具备自主规划和执行能力
- Skills是Agent执行任务的具体工具
- MCP是连接数据和工具的通用协议
- 四者构成从思考到行动的进化链
守望秋实
2026-03-03
阅读: 3
本文深入解析了AI Agent开发中的ReAct框架，通过对比Standard Prompting、Chain-of-Thought和ReAct三种范式，阐述了ReAct“思考+行动”交替循环的核心优势，并提供了从零实现一个极简ReAct Agent的代码示例。
要点:
- ReAct框架让AI交替进行推理和行动
- 核心四步循环：观察、思考、行动、结果
- 相比其他范式，ReAct能处理复杂任务并获取外部信息
- 提供了手写ReAct Agent的代码实现
- ReAct需要更多token但能力更强