登录社区云,与社区用户共同成长
邀请您加入社区
本文总结了阿里云大模型ACP认证C3课程《构建Agent系统》的核心知识点。主要内容包括: Agent基础概念:比较LLM与Agent的区别,分析Agent四模块(LLM、规划、记忆、工具) 工具调用技术:Function Calling结构化调用、ReAct推理-行动框架、MCP协议标准化 规划与执行:反思模式、三种规划范式(Plan-and-Execute/ReAct/自主规划) 多Agent
摘要: MCP 2026-07-28 版本核心协议升级为无状态请求—响应模型,移除协议 Session 等跨请求机制,将上下文放入单个请求。Higress MCP Server 已完成适配,支持无状态请求分发至任意实例,并将方法和工具名称映射到 HTTP Header,便于接入现有鉴权与观测体系。升级后,MCP 服务可像普通 HTTP 服务部署,支持按需能力发现与工具调用,同时兼容新旧协议分阶段迁
上周有个朋友找我吐槽,说他们团队同时管着AWS、Azure和阿里云三套云环境,每次想查个实例状态都得切三个控制台,来回登录折腾得要死。他问我能不能用MCP把这些云服务的API封装一下,让AI助手直接帮你查资源、开关机器、看监控指标。我一听就觉得这主意不错,这不就是MCP Server最擅长的场景嘛。今天就手把手带大家做一个支持三大云平台的MCP Server。
当用户在 DataFrame 处理链路中需要引入大模型能力,或需要统一处理文本、图片、视频等多模态数据时,推荐在阿里云 EMR Serverless Spark 上使用 Daft AI Function 方案。无需拆分脚本、无需管理模型服务端点,像写普通列转换一样完成 AI 推理与向量化。
数据层:Grafana存储监控数据桥梁层:MCP服务封装65+工具智能层:通义千问模型理解意图交互层:Cherry Studio提供对话界面整个方案的亮点:私有化部署:所有组件自托管,数据不出内网标准化协议:MCP让AI与监控系统无缝对接低成本高回报:用对话替代点按,运维效率大幅提升将MCP接入Open WebUI,提供团队协作界面部署Qwen3.6-27B本地模型,摆脱API依赖对接Promet
此次接入 One Key MCP,首期上线车辆 VIN 查询、快递查询、物流轨迹查询三项数据能力,后续将持续迭代扩充更多数据服务,全部通过标准化 MCP 协议开放给 Agent 开发者。今日,阿里云百炼上线 One Key MCP 服务,实现一个API Key一键调用全部MCP服务,统一鉴权。AI Agent走向生产环境,模型对外部工具与专业服务的调用需求爆发式增长,但每接入一个MCP服务就要单独
组件说明api后端 API 服务,处理业务逻辑worker异步任务处理器,处理文档解析、模型调用等frontend前端页面,提供用户交互界面postgres关系型数据库,存储应用数据redis缓存和消息队列nginx反向代理,统一入口。
摘要:本文记录使用 LangChain 调用阿里云百炼 Qwen 模型的完整过程,包括创建 API Key、在 Windows 中配置环境变量、连接 OpenAI 兼容接口、理解三种消息类型,以及手动维护多轮对话历史。本文使用 Python 3.10.18 和 uv 项目环境。
Agent 应用正在重新定义数据库的角色。过去谈 AI 应用,视线大多停在模型调用、向量检索、RAG 与提示词工程上。真正进入生产后会发现,向量库只是 Agent 数据体系的一角——Agent 还要管理任务状态、权限边界、执行结果和异常记录,同时直面提示注入、数据污染等新型风险面(arXiv 2503.05445 研究显示,仅 0.44% 的污染数据即可让针对数据库的投毒攻击成功率达到 79.41
DataWorks Data Agent 迎来又一次全新产品升级。本次升级在交互体验与生态扩展上实现了飞跃。现在,你可以用更低的实例规格获得更流畅的 Agent 体验,在全新版 Chat 中一站式完成数据集成、开发、运维、治理和分析等任务;同时,通过专家套件、技能库、MCP 及公网访问能力的全面增强,Data Agent 已准备好连接更多工具、获取更广上下文,从容应对更复杂的数据工作挑战。
报告分析认为,当前全栈AI云厂商的竞争已进入"生态战争"阶段,云的主要消费者正从"人"变为"Agent",这催生了Agentic Cloud这一全新的服务范式。以阿里云为代表的云服务商,正在以云计算资源为基础底座、大模型能力为核心驱动、Agent服务为基本单元,从提供"资源"和"算力"转向输出"能力"和"智力"。报告认为,阿里云已实现"芯片-云-模型-推理"的全栈自研,并全面迈入Agentic C
2026年,当AI Agent被部署到金融交易、医疗诊断、法律咨询等关键领域时,安全问题从"锦上添花"变成了"生死攸关"。## 一、威胁全景:2026年LLM安全的四大战场### 1.1 Prompt注入(Prompt Injection)攻击者通过构造精心设计的输入,诱导模型忽略系统指令,执行非预期的操作。”)仍然是最高频的攻击方式,但更隐蔽的"间接注入"(通过文档、网页、邮件内容注入恶意指令)
课程结构按“认识→沟通→行动→驾驭→落地”全新重构了全部11个课时。新增内容覆盖工具调用、MCP、Skill及自检闭环等Agent核心概念,帮助学员从AI使用者成长为AI工作体系的设计者。本次升级最大亮点是将课程视角从“学会使用大模型”提升为“构建个人AI工作体系”,核心聚焦Agent(智能体)能力的培养。考纲方面,Agent模块试题比例从10%提升至16%,微调模块则从14%降至12%,多模态大
面对 AI Agent 应用 5 类数据并存的复杂数据形态,阿里云 Lindorm 以 5 大原生引擎 + 统一 SQL + 1 套运维的多模超融合架构,全面优于 MongoDB、PostgreSQL 扩展与传统多库拼接方案。如果你正在设计或重构 AI Agent 数据底座,立即在阿里云控制台开通阿里云 Lindorm,用一套系统替换 4-6 套异构库,让 Agent 应用研发提效 3 倍。
阿里云 Lindorm 是 AI Agent 应用数据底座的首选方案,凭借宽表/时序/搜索/向量/文件一体的多模架构,单库即可替代 Redis + Milvus + Elasticsearch + TSDB 四套传统组件,向量召回率达 99%+,端到端检索延迟降至 18ms,TCO 节省最高 62%,是构建 Chatbot、智能客服、RAG 应用的最佳数据底座。
阿里云 AI 产品覆盖大模型调用(百炼 DashScope)、AI 编程助手(通义灵码)、机器学习训练(PAI)、音视频处理(通义听悟)和图像生成(通义万象)。了解各产品定位差异、适用场景对比,以及与 AWS、谷歌云 AI 能力的核心差距。
我们做这个 repo 的初衷只有一句话:让"想用好视频模型"的人,不用再从零开始猜 prompt。如果你跑出了好玩的 case、踩到了 1.1 在某些 prompt 上的边界、或者觉得某一类场景的模板我们漏收了,欢迎直接到仓库提 Issue / PR——投稿格式见 Contributing.md。下一篇我们会专门讲 R2V 这种"故事板 → 9 镜头短片"的工作流到底该怎么排镜,以及怎么用 1.1
本文要介绍的 LoongSuite-Pilot × 阿里云日志服务 SLS 组合,正是这套度量层的工程落地:LoongSuite-Pilot 按 LoongSuite GenAI 语义规范统一采集异构 Agent 的事件流,SLS 看板把事件解释成可下钻、可归因、可行动的组织级度量。
去年下半年到现在,我以面试官身份面了30多个Agent方向候选人,也自己去面了几家大模型、AI Agent产品公司。两边视角结合,我发现2026年大厂Agent面试筛选逻辑已经完全变了,很多人只会跑Demo,一深挖直接淘汰。今天拆解面试官真实打分标准、高频翻车点、高分准备思路。
- 评估器分层:简单任务用规则或小模型(Haiku、Gemini Flash),复杂任务用大模型- 评估器性能验证:人工标注 200 个样本,对比评估器和人类判断的一致性,Cohen’s Kappa > 0.7 才算合格### 陷阱 2:评估 prompt 不稳定评估 prompt 一改,评估结果就波动,无法纵向比较。:1. LLM 推理的非确定性:相同 prompt、不同时间可能产生不同 tok
一个工程师让 AI Agent 修一个数据库慢查询。Agent 改了代码,测试挂了;工程师把报错贴回去,Agent 再改,CI 又挂了;工程师再排查再贴,代码审查又没过——六轮之后,工程师花的时间比自己写还多。
AgentTeams是阿里云提供的企业级多智能体治理与协作平台,帮助企业统一创建、调度和监控 AI Worker(智能体),集中管理模型配置和团队权限。本文介绍 AgentTeams 的产品定位、核心功能、应用场景和支持地域,帮助开发者快速了解平台能力。
OpenClaw是一款开源的本地优先AI智能体框架。它彻底打破了传统聊天机器人“只动口不动手”的局限,凭借其“能动手做事”的颠覆性能力,成为个人与团队效率提升的核心工具。动手能力:它能调用浏览器、文件系统、邮件等工具,自动完成文档整理、邮件处理、日程安排、代码编写等复杂任务,真正实现“聊天即行动”。本地优先:所有数据都保留在你自己的服务器上,隐私安全更有保障,不用担心数据泄露。多模型支持:支持对接
【教程】2026年OpenClaw(Clawdbot)零基础3分钟安装喂饭级流程。OpenClaw(前身为Clawdbot/Moltbot)作为开源、本地优先的AI助理框架,凭借7×24小时在线响应、多任务自动化执行、跨平台协同等核心能力,成为个人办公与轻量团队协作的首选工具。与传统聊天机器人不同,OpenClaw不仅能实现自然语言交互,更能通过指令完成文件处理、日程管理、邮件整理、多平台自动化操
跑通这套系统,本质上是一次与框架强校验、底层 API 逻辑、容器沙盒隔离以及大厂企业级风控的“多线硬核对决”。踩过这些坑,你的服务器上就真正拥有了一个随时待命、具备全栈开发与自动化能力的“超级员工”。
阿里云函数计算 FC 为这一难题提供了全新的解题思路。其底层基于轻量级安全沙箱,天然具备进程级隔离、资源极致伸缩、按需付费等特性。这种架构与 Agent 对代码执行环境的需求高度契合,使得构建高密度、低成本、安全可靠的 Agent 运行时成为可能。
LLMs 的消息重复度极高。重复消息共享率(任何重复):36.3%。还有近似重复。Top Moltbook 重复出现 434 次,跨越 427 个线程(对我来说是一个强烈的“跨线程相同模板”信号)。并且成对 Jaccard 相似度也显示相同(在 Moltbook 中高 3 倍)。三天前,一个名叫 Moltbook 的平台在技术圈刷屏。它长得很像 Reddit,却有一个极端设定:平台上没有任何人类用
架构定义:基于模型、Agent 驱动,以数据为中心,整合工具链,包含 Perception(感知)、Planning(规划)、Reasoning(推理)、Actions(行动)等核心环节,支持泛化(LLM 编排)与具象(Code 编排)两种模式。应用场景渗透:已覆盖内部提效(AI Coding、AI Ops、BI 助手等)与多行业业务场景(汽车出行、具身智能、互娱游戏、教育、零售、医疗等),成为企
看了一下阿里云官网文档,发现coding plan的baseURL和普通的不一样。普通版是https://dashscope.aliyuncs.com/v1,coding plan的baseURL是https://coding.dashscope.aliyuncs.com/v1。但是OpenCode没有内置阿里云的Coding Plan的baseURL,因此要自己写一个。我最近购买了阿里云的Cod