最近在探索 AI 智能体（AI Agent）的落地场景时，发现一个普遍痛点：开发者或业务人员想要快速调用智能体完成特定任务，往往需要打开网页、输入文本、等待响应，流程繁琐，打断了原有的工作流。有没有一种更自然、更无缝的交互方式？答案是肯定的——语音交互。近期，一个名为 Deskless 的新工具发布，它主打“按住说话即可指挥 AI 智能体”，将语音指令与 Slack 等协作工具深度集成，为 AI 智能体的应用打开了一扇新的大门。本文将深入解析 Deskless 的核心概念、技术原理，并提供一个从零开始的实战教程，教你如何利用类似思路，构建自己的语音驱动 AI 智能体系统。

1. 背景与核心概念：什么是语音驱动的 AI 智能体？

在深入 Deskless 之前，我们需要厘清几个关键概念。

AI 智能体（AI Agent） 是什么？简单来说，它是一个能够感知环境、自主决策并执行行动以实现特定目标的软件实体。它不仅仅是聊天机器人，而是具备“思考-行动”循环的能力。例如，一个电商客服智能体可以理解用户问题（感知），查询订单数据库（思考），然后执行退款操作（行动）。

语音交互 作为最自然的人机交互方式，正逐渐成为智能体接入的“超级入口”。用户无需打字，通过自然语言下达指令，智能体通过语音识别（ASR）理解意图，执行任务，再通过文本转语音（TTS）或直接在聊天界面反馈结果。

Deskless 正是在此背景下诞生的一个具体实现。它将自己定位为一个“无桌面”（Deskless）的 AI 助手，核心特点是：

  1. 语音优先 ：用户只需在 Slack 中按住一个按钮说话，即可触发智能体。
  2. 任务导向 ：智能体被设计为执行具体任务，如安排会议、总结文档、查询数据，而非单纯闲聊。
  3. Slack 集成 ：深度融入企业日常协作工具，降低使用门槛。

这背后的技术栈通常涉及： 语音识别（ASR） 、 大语言模型（LLM） 、 智能体框架（决定如何调用工具/API） 、 文本转语音（TTS） 以及 消息平台集成（如 Slack API） 。

2. 环境准备与版本说明

为了复现 Deskless 的核心功能，我们将构建一个简化版的语音驱动智能体原型。这个原型将模拟“用户语音输入 -> Slack 接收 -> AI 处理 -> 返回结果”的流程。由于 Deskless 本身可能是闭源或云服务，我们的教程旨在揭示其技术实现路径。

核心环境与工具：

  • 操作系统 ：macOS / Linux (Windows 需适配，建议 WSL2)
  • 编程语言 ：Python 3.9+
  • 关键库/服务 ：
    • slack-bolt / slack-sdk : 用于与 Slack API 交互。
    • openai / anthropic 或其他 LLM SDK: 提供大模型能力。
    • speechrecognition / whisper (OpenAI): 用于语音识别（服务端处理方案）。
    • pyttsx3 或 gTTS : 用于简单的文本转语音（可选，演示用）。
    • gradio / streamlit : 快速构建 Web 演示界面（替代 Slack 进行本地测试）。
    • langchain / llama-index : 智能体框架，用于编排工具调用（进阶）。
  • 开发工具 ：VS Code 或 PyCharm。
  • 账户与令牌 ：
    • Slack Workspace 管理员权限，用于创建 Slack App。
    • OpenAI API Key 或其他大模型 API Key。
    • （可选）一个稳定的网络环境，用于访问外部 API。

版本说明 ：本文示例代码基于主流库的常见稳定版本，但 AI 领域迭代迅速，部分 API 可能有变。重点在于理解架构和流程，具体版本请根据官方文档调整。

# 建议的虚拟环境与依赖安装
python -m venv venv_voice_agent
source venv_voice_agent/bin/activate  # Linux/macOS
# venv_voice_agent\Scripts\activate  # Windows

pip install slack-bolt==1.18.0
pip install openai==1.12.0
pip install speechrecognition==3.10.0
pip install gradio==4.19.1
# 如需使用本地 Whisper 模型（较重）
# pip install openai-whisper
# pip install torch

3. 核心原理与技术拆解

一个完整的语音驱动 AI 智能体系统，其工作流程可以拆解为以下几个核心环节：

3.1 语音捕获与识别 (ASR)

这是第一步。在 Deskless 的 Slack 场景中，用户按住按钮说话，Slack 客户端会录制音频并上传。我们的服务需要接收这个音频文件。

  • 方案A（云端处理） ：直接使用云服务商的 ASR API，如 Google Cloud Speech-to-Text, Azure Speech, 或 OpenAI Whisper API。优点是准确率高，省心。
  • 方案B（本地处理） ：使用开源的 Whisper 模型库在服务器端进行识别。优点是数据隐私性好，但消耗计算资源。
  • 关键考量 ：音频格式（如 mp3, wav, ogg）、采样率、语言识别、静音检测（VAD）。

3.2 意图理解与任务规划 (LLM + Agent)

识别出的文本被送入大语言模型（LLM）。这里不仅仅是简单的问答，而是需要 LLM 扮演“智能体大脑”的角色。

  1. 意图识别 ：判断用户想做什么？是“查天气”还是“订会议室”？
  2. 任务规划 ：如果任务复杂，需要拆解成子步骤。例如，“帮我总结上周项目会议纪要并邮件发给团队”可能涉及：查找文档、总结、获取邮箱列表、发送邮件。
  3. 工具调用 ：智能体需要知道它能调用哪些“工具”（函数/API）。LLM 根据规划，决定调用哪个工具，并生成正确的调用参数。这通常通过 Function Calling 或 ReAct 模式实现。

3.3 工具执行与结果整合

智能体框架执行被 LLM 选中的工具。工具可以是：

  • 内部系统 API（查询数据库、调用微服务）。
  • 外部 API（发送邮件、查询天气、操作日历）。
  • 本地操作（读写文件、运行脚本）。 执行后，将结果返回给 LLM 进行整合或下一步判断。

3.4 响应生成与交付

LLM 根据工具执行的结果，生成最终的自然语言回复。这个回复需要交付给用户。

  • 在 Slack 中 ：直接以文本消息形式回复到原对话线程。
  • 语音反馈（可选） ：将回复文本通过 TTS 服务转换为语音，再以音频文件形式发送或播放。Deskless 可能更侧重于文本回复以保持效率。

3.5 与协作平台集成 (Slack API)

这是 Deskless 的特色。通过 Slack App 的以下功能实现：

  • Slash Commands ( /deskless )：快速触发。
  • Shortcuts ：全局或消息快捷方式。
  • Events API ：订阅消息事件，监听特定触发词或提及。
  • Modals ：弹出交互式表单，收集复杂输入。
  • Block Kit ：构建丰富的消息布局。

4. 完整实战案例：构建简化版语音智能体

我们将分步构建一个本地测试原型，使用 Gradio 模拟前端界面进行语音输入，后端处理并调用 OpenAI 完成简单任务。

4.1 项目结构创建

首先创建项目目录和文件。

voice_agent_demo/
├── app.py              # 主应用文件 (Gradio 界面 + 逻辑)
├── agent_core.py       # 智能体核心逻辑
├── tools.py            # 定义智能体可用的工具
├── requirements.txt    # 依赖列表
└── .env                # 环境变量 (API Keys)

4.2 配置环境与依赖

在 requirements.txt 中写入：

gradio>=4.0
openai>=1.0
python-dotenv>=1.0
speechrecognition>=3.10
pydub>=0.25  # 用于音频格式处理

安装依赖： pip install -r requirements.txt

在 .env 文件中配置你的密钥（切勿提交到代码仓库）：

OPENAI_API_KEY=sk-your-openai-api-key-here
# 可选：其他服务的 API KEY

4.3 编写工具定义 ( tools.py )

定义智能体可以调用的几个简单工具。这里模拟查询天气和计算。

# tools.py
import random
from datetime import datetime

def get_current_weather(location: str, unit: str = "celsius") -> str:
    """获取指定城市的当前天气情况。"""
    # 模拟天气数据，真实场景应调用天气API
    weather_conditions = ["晴朗", "多云", "小雨", "大雪", "雾霾"]
    temp = random.randint(-5, 35) if unit == "celsius" else random.randint(23, 95)
    return f"{location}的天气是{random.choice(weather_conditions)}，温度{temp}度({unit})。"

def calculator(expression: str) -> str:
    """计算一个数学表达式的结果。警告：使用eval需确保输入安全，此处仅演示。"""
    try:
        # 严重警告：在生产环境中，直接使用eval是极其危险的，必须对输入进行严格过滤和沙箱处理。
        # 此处仅为演示智能体调用工具的概念。
        result = eval(expression)
        return f"计算结果：{expression} = {result}"
    except Exception as e:
        return f"计算错误：{e}"

def get_current_time() -> str:
    """获取当前系统时间。"""
    now = datetime.now()
    return f"当前时间是：{now.strftime('%Y-%m-%d %H:%M:%S')}"

# 工具列表，供智能体框架使用
AVAILABLE_TOOLS = [
    {
        "type": "function",
        "function": {
            "name": "get_current_weather",
            "description": "获取某个城市的当前天气",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {"type": "string", "description": "城市名称，例如：北京，上海"},
                    "unit": {"type": "string", "enum": ["celsius", "fahrenheit"], "description": "温度单位"}
                },
                "required": ["location"],
            },
        },
    },
    {
        "type": "function",
        "function": {
            "name": "calculator",
            "description": "计算一个数学表达式的结果",
            "parameters": {
                "type": "object",
                "properties": {
                    "expression": {"type": "string", "description": "数学表达式，例如：3 + 5 * 2"}
                },
                "required": ["expression"],
            },
        },
    },
    {
        "type": "function",
        "function": {
            "name": "get_current_time",
            "description": "获取当前的日期和时间",
        },
    }
]

4.4 编写智能体核心逻辑 ( agent_core.py )

这里我们使用 OpenAI 的 Function Calling 能力来构建一个简单的智能体。

# agent_core.py
import os
import json
from openai import OpenAI
from dotenv import load_dotenv
from tools import AVAILABLE_TOOLS, get_current_weather, calculator, get_current_time

load_dotenv()

client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

# 工具名称到实际函数的映射
TOOL_MAP = {
    "get_current_weather": get_current_weather,
    "calculator": calculator,
    "get_current_time": get_current_time,
}

def process_with_agent(user_input: str) -> str:
    """
    核心智能体处理函数。
    1. 将用户输入发送给LLM，LLM判断是否需要调用工具以及调用哪个。
    2. 执行工具。
    3. 将工具结果返回给LLM，生成最终回复。
    """
    messages = [{"role": "user", "content": user_input}]

    # 第一步：LLM决定是否调用工具
    response = client.chat.completions.create(
        model="gpt-3.5-turbo-1106", # 或 gpt-4
        messages=messages,
        tools=AVAILABLE_TOOLS,
        tool_choice="auto", # 让模型自动决定
    )

    response_message = response.choices[0].message
    tool_calls = response_message.tool_calls

    # 如果没有工具调用，直接返回内容
    if not tool_calls:
        return response_message.content

    # 第二步：执行被调用的工具
    messages.append(response_message) # 将助理的回复（包含工具调用请求）加入上下文
    for tool_call in tool_calls:
        function_name = tool_call.function.name
        function_to_call = TOOL_MAP.get(function_name)
        if function_to_call:
            function_args = json.loads(tool_call.function.arguments)
            # 调用工具函数
            if function_name == "get_current_time":
                # 无参数函数
                function_response = function_to_call()
            else:
                function_response = function_to_call(**function_args)
            # 将工具执行结果加入上下文
            messages.append({
                "tool_call_id": tool_call.id,
                "role": "tool",
                "name": function_name,
                "content": function_response,
            })

    # 第三步：将工具执行结果返回给LLM，让它生成面向用户的最终回复
    second_response = client.chat.completions.create(
        model="gpt-3.5-turbo-1106",
        messages=messages,
    )
    return second_response.choices[0].message.content

if __name__ == "__main__":
    # 简单测试
    test_queries = ["北京天气怎么样？", "计算一下3的平方加上4的平方", "现在几点了？"]
    for query in test_queries:
        print(f"用户: {query}")
        print(f"智能体: {process_with_agent(query)}")
        print("-" * 30)

4.5 构建语音交互界面 ( app.py )

使用 Gradio 创建一个带有录音功能的 Web 界面。

# app.py
import gradio as gr
import speech_recognition as sr
from pydub import AudioSegment
import io
import tempfile
import os
from agent_core import process_with_agent

# 初始化语音识别器
recognizer = sr.Recognizer()

def transcribe_audio(audio_file_path):
    """将音频文件转录为文本"""
    if audio_file_path is None:
        return "未接收到音频文件。"
    try:
        # 使用pydub加载音频（Gradio录音是WAV格式）
        audio = AudioSegment.from_file(audio_file_path)
        # 转换为speech_recognition可接受的格式
        with tempfile.NamedTemporaryFile(suffix=".wav", delete=False) as tmp_wav:
            audio.export(tmp_wav.name, format="wav")
            with sr.AudioFile(tmp_wav.name) as source:
                audio_data = recognizer.record(source)
                text = recognizer.recognize_google(audio_data, language='zh-CN')
        os.unlink(tmp_wav.name)
        return text
    except sr.UnknownValueError:
        return "语音识别服务无法理解音频内容。"
    except sr.RequestError as e:
        return f"语音识别服务请求出错；{e}"
    except Exception as e:
        return f"处理音频时发生错误：{e}"

def process_voice_input(audio):
    """处理流程：语音 -> 文本 -> 智能体 -> 回复"""
    # 1. 语音转文本
    user_text = transcribe_audio(audio)
    if user_text.startswith("语音识别服务") or user_text.startswith("处理音频"):
        # 识别失败，直接返回错误信息
        return user_text, user_text, "识别失败，请重试或直接输入文本。"

    # 2. 智能体处理文本
    agent_response = process_with_agent(user_text)

    # 3. 返回结果
    return user_text, user_text, agent_response

# 构建 Gradio 界面
with gr.Blocks(title="语音驱动AI智能体演示", theme=gr.themes.Soft()) as demo:
    gr.Markdown("# 🎤 语音驱动 AI 智能体演示")
    gr.Markdown("模拟 Deskless 体验：按住录音，用语音指挥智能体执行任务（查询天气、计算、报时）。")

    with gr.Row():
        with gr.Column(scale=1):
            audio_input = gr.Audio(sources="microphone", type="filepath", label="按住录音")
            submit_btn = gr.Button("发送语音指令", variant="primary")
        with gr.Column(scale=2):
            recognized_text = gr.Textbox(label="识别出的文本", interactive=False)
            user_input_text = gr.Textbox(label="用户输入（也可直接编辑）", interactive=True)
            with gr.Row():
                text_submit_btn = gr.Button("发送文本指令", variant="secondary")
            agent_output = gr.Textbox(label="智能体回复", interactive=False, lines=6)

    # 语音提交
    submit_btn.click(
        fn=process_voice_input,
        inputs=[audio_input],
        outputs=[recognized_text, user_input_text, agent_output]
    )
    # 文本提交（备用）
    text_submit_btn.click(
        fn=lambda x: (x, x, process_with_agent(x)),
        inputs=[user_input_text],
        outputs=[recognized_text, user_input_text, agent_output]
    )
    # 录音自动提交（可选）
    # audio_input.stop_recording(fn=process_voice_input, inputs=[audio_input], outputs=[recognized_text, user_input_text, agent_output])

    gr.Markdown("### 支持的指令示例")
    gr.Markdown("- **查询天气**：'上海今天天气如何？'")
    gr.Markdown("- **数学计算**：'计算 15 乘以 28 等于多少？'")
    gr.Markdown("- **询问时间**：'现在几点了？'")

if __name__ == "__main__":
    demo.launch(server_name="0.0.0.0", server_port=7860, share=False) # share=True 可生成临时公网链接

4.6 运行与验证

  1. 在项目根目录下，确保 .env 文件已配置正确的 OPENAI_API_KEY 。
  2. 在终端运行： python app.py
  3. 浏览器会自动打开 http://localhost:7860 或控制台会显示地址。
  4. 在界面中，点击麦克风按钮录音，说一句“北京天气怎么样？”，然后点击“发送语音指令”。
  5. 观察流程：
    • “识别出的文本”框会显示识别出的中文文本。
    • “智能体回复”框会显示类似“北京今天天气晴朗，温度22度(celsius)。”的回复。

至此，一个具备语音输入、智能体工具调用能力的本地演示系统就完成了。它模拟了 Deskless “语音指挥智能体”的核心交互闭环。

5. 进阶：集成 Slack 实现真正的 Deskless

要将上述原型变为真正的 Slack 应用，需要以下步骤：

5.1 创建 Slack App

  1. 访问 api.slack.com/apps ，点击 “Create New App”。
  2. 选择 “From scratch”，输入应用名称（如 “My Deskless Agent”），选择你的 Workspace。
  3. 在应用管理页面，配置以下权限（OAuth & Permissions）：
    • Bot Token Scopes :
      • commands (用于 Slash Commands)
      • chat:write (发送消息)
      • files:read (读取用户上传的音频文件，如果支持语音消息)
      • im:history , mpim:history , groups:history , channels:history (根据需要订阅事件)
  4. 安装应用到 Workspace，获取 Bot User OAuth Token (以 xoxb- 开头)。

5.2 配置 Slash Command 或 Shortcut

  • Slash Command : 在 “Slash Commands” 页面，创建新命令。例如：
    • Command: /askagent
    • Request URL: https://your-server.com/slack/events (你的后端服务地址)
    • Short Description: Ask the AI agent anything
  • Shortcut : 在 “Interactivity & Shortcuts” 页面，创建全局或消息快捷方式，Request URL 同上。

5.3 编写 Slack 后端服务

使用 slack-bolt 框架可以极大简化开发。你需要一个公开的 HTTPS 端点（可使用 Ngrok 本地调试，或部署到云服务器）。

# slack_bot.py
import os
from slack_bolt import App
from slack_bolt.adapter.socket_mode import SocketModeHandler
from agent_core import process_with_agent
# 假设我们有一个函数 handle_audio(file_url) 可以从URL下载并转写音频
# from your_audio_module import transcribe_audio_from_url

# 从环境变量读取令牌
SLACK_BOT_TOKEN = os.environ["SLACK_BOT_TOKEN"]
SLACK_APP_TOKEN = os.environ["SLACK_APP_TOKEN"] # Socket Mode 所需

app = App(token=SLACK_BOT_TOKEN)

# 处理 /askagent 命令
@app.command("/askagent")
def handle_askagent(ack, say, command):
    ack() # 立即确认命令接收
    user_text = command['text']
    if not user_text:
        say("请告诉我需要做什么，例如：`/askagent 今天天气如何？`")
        return
    # 调用智能体核心
    response = process_with_agent(user_text)
    say(f"<@{command['user_id']}> {response}")

# 处理快捷方式（例如，从消息附件中提取音频）
# @app.shortcut("do_something_with_audio")
# def handle_shortcut(ack, body, client):
#     ack()
#     # 解析 body，获取文件信息，调用音频处理函数...
#     # transcribed_text = transcribe_audio_from_url(file_url)
#     # response = process_with_agent(transcribed_text)
#     # client.chat_postMessage(channel=body['user']['id'], text=response)

if __name__ == "__main__":
    # 使用 Socket Mode 进行本地开发，避免需要公网IP
    handler = SocketModeHandler(app, SLACK_APP_TOKEN)
    handler.start()

运行此服务，并在 Slack 中输入 /askagent 计算一下圆周率 ，你的智能体就会在频道中回复。

处理语音消息 ：更复杂的场景是处理用户上传的音频文件。这需要：

  1. 在 Slack 事件订阅中启用 file_shared 事件。
  2. 当收到音频文件（如 .mp3, .m4a）时，通过 files.info API 获取可下载的 url_private 。
  3. 你的服务器下载该文件（需携带 Bot Token 作为认证），调用 ASR 服务转写成文本。
  4. 将文本送入 process_with_agent ，将结果回复到频道。

6. 常见问题与排查思路

在开发和部署此类语音智能体时，你会遇到一些典型问题。

问题现象 常见原因 解决思路
Slack 命令无响应 Request URL 未正确配置或服务未启动；令牌权限不足；未及时 ack() 。 1. 使用 Ngrok 提供临时公网 URL。2. 检查 OAuth Scopes 是否包含 commands 。3. 确保处理函数第一时间调用 ack() 。
语音识别准确率低 环境噪音大；音频格式或采样率不匹配；语言设置错误。 1. 推荐前端进行简单的 VAD 和降噪。2. 确保传递给 ASR API 的音频参数正确。3. 明确指定语言代码（如 zh-CN ）。
智能体不调用工具 LLM 的 tools 参数未传或格式错误；工具描述不清晰；用户指令模糊。 1. 检查 AVAILABLE_TOOLS 的 JSON 格式是否符合 OpenAI 规范。2. 优化工具函数的 description ，使其更精准。3. 在系统提示词中明确告知模型可以使用工具。
工具调用参数错误 LLM 生成的参数 JSON 解析失败；参数类型或范围不符。 1. 在代码中添加健壮的 JSON 解析和错误处理。2. 在工具描述中明确参数类型和示例。3. 让 LLM 进行“思考链”（Chain-of-Thought）后再输出参数。
响应速度慢 ASR 或 LLM API 网络延迟；本地模型计算耗时；工具 API 响应慢。 1. 考虑流式响应，先给用户一个“正在处理”的反馈。2. 对非实时任务采用异步处理。3. 优化工具 API 性能或设置超时。
音频文件下载失败 Slack 的 url_private 需要 Bot Token 认证；服务器网络问题。 1. 确保下载请求的 Headers 中包含 Authorization: Bearer xoxb-xxx 。2. 检查服务器出站网络。

7. 最佳实践与工程建议

构建生产级语音智能体，除了核心功能，还需考虑以下方面：

  1. 安全性

    • 输入净化 ：对所有用户输入（语音转文字后、工具参数）进行严格的过滤和校验，防止注入攻击。特别是 calculator 这类使用 eval 的工具，绝不可用于生产。
    • 权限控制 ：在 Slack 或企业内部，通过用户/频道 ID 进行权限校验，确保智能体只能被授权的人或场景触发。
    • API 密钥管理 ：使用环境变量或专业的密钥管理服务，切勿硬编码在代码中。
    • 数据隐私 ：如果处理敏感音频或文本，明确告知用户，并考虑数据加密传输和存储，或使用本地化模型。

  2. 可靠性

    • 错误处理与重试 ：对 ASR、LLM、工具调用等外部服务设置合理的超时和重试机制。
    • 降级策略 ：当语音识别失败时，可提示用户“未能听清，请重试或直接输入文字”。当核心 LLM 服务不可用时，应有备用回复。
    • 日志与监控 ：详细记录请求、响应、错误和耗时，便于问题排查和性能分析。监控智能体的调用成功率和延迟。

  3. 用户体验

    • 即时反馈 ：在语音识别和智能体思考时，通过 Slack 的 ephemeral message 或加载指示器给用户即时反馈，避免用户以为没反应。
    • 多模态响应 ：除了文本，在 Slack 中可以使用 Block Kit 构建更丰富的消息，如图片、按钮、下拉菜单等，让交互更友好。
    • 上下文管理 ：为智能体设计简单的会话记忆，使其能处理多轮对话。注意管理 Token 消耗和上下文长度。

  4. 架构设计

    • 模块化 ：将 ASR、LLM 智能体、工具执行、TTS 等模块解耦，便于独立升级和替换。例如，可以轻松将 OpenAI Whisper 换成其他 ASR 服务。
    • 异步处理 ：对于耗时任务（如长音频转写、复杂计算），应采用异步队列（如 Celery + Redis）处理，并通过回调通知用户。
    • 可扩展的工具集 ：设计良好的工具注册机制，让新工具的添加变得简单，无需修改核心智能体逻辑。

  5. 成本与性能优化

    • LLM 选型 ：根据任务复杂度选择合适的模型。简单查询用轻量模型（如 GPT-3.5-Turbo），复杂规划用能力更强的模型（如 GPT-4）。
    • 缓存 ：对常见、结果不变的查询（如“公司规章制度”）进行缓存，减少对 LLM 和工具的不必要调用。
    • 提示词工程 ：精心设计系统提示词（System Prompt），明确智能体的角色、能力和边界，可以显著提升任务完成准确率和减少无效调用。

通过以上步骤，你不仅能够理解 Deskless 这类工具背后的原理，更能掌握构建属于自己语音智能体的全套技能。从本地原型到 Slack 集成，从基础工具调用到生产级最佳实践，这条路径清晰地展示了如何将前沿的 AI 智能体能力，以最自然的交互方式，融入日常的工作流程之中。

# AI智能体 # 语音识别
Logo
亚马逊云科技技术品牌专区

更多推荐

cover

一次 API 调用搞定时序预测：时序大模型 TimechoAI 使用与能力全解析

avatar 亚马逊云科技技术品牌专区

AI Agent 面试题 353：A2A协议的服务发现和注册机制详解

A2A 协议 是 AI Agent 技术体系中的重要组成部分。简单来说，它涉及到 Agent 如何在 工具使用与函数调用 层面实现智能化的行为和决策。在实际应用中，A2A 协议 的核心目标是让 Agent 能够更加高效、准确地完成特定任务。这需要我们深入理解其底层原理和实现机制。从学术角度来看，A2A 协议 的研究可以追溯到人工智能的早期阶段。早在 1950 年代，Alan Turing 就提出了

avatar 亚马逊云科技技术品牌专区

技术经纪人如何快速生成科技成果推介书？

依托人工智能技术，尤其是大模型、语义匹配模型与RAG技术的融合运用，科技成果推介书的生成不再局限于传统的人工模式，而是逐步演变为“智能驱动+专业服务”的协同过程。例如，在进行技术需求挖掘时，系统可以通过自然语言处理技术，自动分析企业的技术需求，并与科技成果库中的技术成果进行语义匹配，找出潜在适配的技术方案。在完成信息收集与分析后，技术经纪人可以将内容输入到平台的“科技成果推介书制作数智应用工具”中

avatar 亚马逊云科技技术品牌专区