登录社区云，与社区用户共同成长
邀请您加入社区
暂无图片
为遵守国家网络实名制规定，未绑定将限制内容发布与互动
摘要： ReAct（Reason + Act）是当前AI Agent的核心架构范式，通过协同推理（Reasoning）与行动（Action）解决传统大语言模型（LLM）的三大局限：时效性断层、计算逻辑缺失和无法影响外部世界。其执行循环为“Thought-Action-Observation”闭环状态机，需配合严格Prompt模版驱动。然而，ReAct存在高Token消耗、延迟和死循环等硬伤，需通过
这份 md 后面有大量工具定义。每个工具都不是只有名字。required:工具名称：模型调用时用哪个 name。工具描述：这个工具能做什么。使用时机：什么时候应该用。禁止场景：什么时候不能用。参数结构：有哪些字段。参数类型：字符串、数组、对象、枚举等。必填字段：哪些参数必须传。调用后行为：调用完要不要继续回答，还是等待下一轮。失败处理：工具失败时应该怎么解释。也就是说，它不只是告诉模型“有这个工具
摘要 Harness Engineering（驾驭工程/智能体运行时工程）是围绕AI Agent构建的一套运行环境、约束系统与恢复机制，关注如何安全高效地管理Agent的工具调用、文件操作、API交互等实际执行行为。其核心在于为Agent设计"方向盘、刹车、仪表盘"等控制系统，而非单纯优化模型能力。 与Prompt Engineering（优化单次输入）和Context Engineering（组
场景定方向 → 模型定边界 → 技术栈定细节 → 协议留后路 → 最小可用先上Agent 框架的本质，是在"自主性"和"可控性"之间找平衡。ReAct 给了循环，AutoGPT 把自主拉满，LangChain / LlamaIndex 把可控拉满（但灵活度下降），LangGraph 找到了"显式编排 + 局部自主"的甜点，多智能体框架把这套思路扩展到团队协作，原厂 SDK 把厂内最佳实践直接打包，
通过 Spring AI 和 MCP 的结合，Java 开发者可以轻易构建出具备“手脚”的智能 Agent。本文展示的“生成-发布-通知”工作流只是一个开始，未来 Agent 可以应用于自动化运维、智能客服、代码生成等更多场景。掌握这一技术，将为你的 Java 应用注入强大的智能化基因。
NVIDIA 开源的 AI Agent Skill 安全扫描器，覆盖 16 个风险类别的 64 个检测模式，包含静态分析 + LLM 语义分析两阶段流水线。研究发现 26.1% 的 Skill 存在漏洞，5.2% 有明确恶意意图
篇章主题核心贡献#31MCP协议深度解析理解Agent与外部世界交互的标准化语言#32自建MCP Server实战从零搭建Agent的工具基础设施#33Subagent拆分与编排将复杂任务分解为专业化的Agent团队#34Agent间通信机制让Agent团队实现高效、可靠的信息交换#35冲突解决与协同治理为协作系统装上冲突处理和进化引擎五个篇章形成了一条完整的进化链：协议 → 工具 → 团队 →
2026年6月12日，Spring官方发布Spring AI 2.0.0重大版本更新，这是该项目自1.0.0以来规模最大的升级。该版本基于Spring Boot 4.1.0，包含MCP SDK 2.0重构、Anthropic集成优化和ToolCalling体系重写等核心改进。与2.0.0同时发布的还有1.1.8和1.0.9两个维护版本。此次升级历时半年，经历了多个RC阶段，引入了大量突破性变更和功
摘要： 本文针对制造业BOM数据在研发（PDM/PLM）与生产（ERP/MES）系统间的冲突问题，提出基于实在Agent的智能化解决方案。传统手工校验和硬编码集成存在效率低、维护成本高及适应性差等缺陷，而实在Agent依托TARS大模型和ISSUT屏幕语义理解技术，实现跨系统数据的实时对齐与业务闭环。其核心优势包括：自主处理语义冲突（如EBOM与MBOM差异）、动态适应UI变更、高并发处理能力（>
本文探讨了Agent技术如何将仅能输出文字的大模型转变为可执行实际任务的智能助手。其核心在于通过代理层实现决策与执行的分离，关键组件包括：Function Calling（LLM与Agent的交互语言）、Skill（业务场景操作流程）、MCP（统一外部系统接入协议）和Memory（上下文管理）。文章通过人体类比阐释各组件功能，分析其协同机制，并指出工程实现中的挑战与解决方案。该系统通过整合大模型推
