架构标签_龙虾开发者社区

架构

AI Agent 技术架构深度解析与选型指南

AI Agent代表了企业AI应用从"问答"到"任务执行"的关键跃迁，也为管理软件行业带来了新的产品可能性。用友YonClaw、金蝶灵基等企业级AI Agent产品的推出，标志着国产管理软件在AI Agent方向的正式布局。对于企业而言，理解AI Agent的技术架构与能力边界，是做出正确选型决策的基础。本文面向技术架构人员与IT管理者，供技术评估参考。

云策数链
2026-08-19 16:30:27

 352

 6

#人工智能 #架构
Harness 决定 Agent 上限：六层工程拆解（附 8 款实测对照表）

摘要：本文揭示了决定AI Agent性能的关键因素——Harness（执行框架）而非底层模型本身。基于杰富瑞对8款中美Agent的实测数据，同一模型在不同Harness下性能差异可达18.4个百分点。文章提出"Harness六层工程框架"（指令层、上下文层、工具层、边界层、反馈层、治理层），类比企业员工管理体系，逐层解析优化要点。实测显示阿里"千问办公"凭借优秀Harness设计实现总分反超。文末

 2401_85300269
2026-08-19 10:12:08

 657

 24

#人工智能 #架构 #安全
别让 AI 一次问你 200 个问题，用好 grill skill 的6个误区

《避免Grill技能使用的6大误区》摘要： Matt Pocock的Grill系列技能旨在通过AI追问帮助用户理清问题，但常见误用包括：1)混淆问题保真度，强行用问答解决需高保真原型验证的问题；2)范围失控，超出模型智能处理区(约12万token后质量下降)；3)被动应答导致问题爆炸或过度固执拒绝实践；4)未保存会话中的宝贵设计决策；5)使用低端模型处理依赖参数知识的Grill任务；6)未利用并行

 lincats
2026-08-19 06:58:09

 484

 6

#人工智能 #架构 #知识图谱
DeepSeek Harness 架构深度分析报告

当前业界绝大多数 AI Agent 框架均采用内核固化+功能附属的传统架构范式：框架存在不可替换的底层核心基座，所有模型适配、工具能力、会话调度、执行逻辑均强依赖核心源码。功能扩展、能力替换、流程定制均需侵入核心代码修改，形成「牵一发而动全身」的高耦合架构瓶颈，迭代成本高、扩展性差、运行状态不可控，是制约传统 Agent 工程化落地的核心痛点。DeepSeek Harness 彻底颠覆传统 Age

m0_47457931
2026-08-18 17:02:41

 610

 12

#架构 #人工智能 #深度学习 +4
从零搭建AI Agent工具链：技术架构与钉钉集成实践

AI Agent工具链是一系列软件组件、框架和服务的集合，用于支撑AI智能体的开发、部署、管理和迭代。编排层：负责定义Agent的工作流、决策逻辑和工具调用。模型层：提供大语言模型（LLM）的接入、管理和优化。工具层：封装外部API、数据库、业务系统等能力，供Agent调用。记忆与状态层：管理对话历史、用户上下文和Agent的长期记忆。评估与监控层：跟踪Agent性能、分析日志、进行A/B测试。从

 皮皮虾
2026-08-18 15:12:18

 522

 14

#人工智能 #架构
DeerFlow2.0 框架架构06：断点续跑机制

DeerFlow 2.0的长时任务状态管理机制通过四位一体设计解决了分布式AI Agent编排中的核心痛点。该系统采用五层架构，从接入到持久化形成完整闭环，核心模型包括ThreadState（主线程唯一可信源）、SubagentResult（子代理状态载体）和线程安全的_background_tasks中转站。关键创新在于"子代理无独立断点"设计，所有状态通过ThreadState统一持久化，确保

 dijk
2026-08-18 12:49:05

 469

 5

#架构
DeerFlow2.0 框架架构05：Sandbox 三层抽象

本文介绍了DeerFlow框架的Sandbox模块设计，重点阐述了其三层抽象架构如何实现安全隔离与容器化执行环境。主要内容包括： Sandbox作为Super Agent核心能力的重要性，解决了传统AI Agent框架的安全风险、环境一致性和资源开销问题。三层架构设计（上层生命周期管理、中层工厂管理、下层接口契约）对DIP和SRP原则的落地实践，实现职责清晰、依赖解耦的模块化设计。 Sandbo

dijk
2026-08-18 12:35:14

 487

 6

#架构
一套基座替代五类系统：DeepBasic Folar与传统BA/SCADA/IoT平台的架构对比

DeepBasic Folar的架构创新，在于把"公共基础设施层"（协议栈、数据中台、设备管理、开放接口）抽离出来统一建设，上层的BA、SCADA、IBMS、照明、能耗等能力以Skills形式按需加载。：霍尼韦尔、江森、西门子三家设备各说各话，BACnet/IP、Modbus TCP、LonWorks协议互不兼容，集成商不得不加协议网关做"翻译"。，内置暖通水力机理、设备故障图谱、建筑节能规范等行

 绿智校园
2026-08-18 11:36:39

 509

 5

#物联网 #架构
上下文工程：从 KV Cache、Skills 到长程 Agent 的实战思考

本文探讨了AI Agent开发中的上下文工程与Harness架构的长期价值，结合《AI Agent Book》第二章的核心观点与作者实践经验展开分析。文章首先反驳了"大模型能力提升将使Harness淘汰"的观点，指出上下文质量、物理成本和信息利用效率三大因素决定了其持久必要性。随后深入讲解了KV Cache机制对工程实践的影响，列举了动态改写系统提示等四个常见反模式，并提出冻结静态前缀与追加动态信

 iiTzMarvin
2026-08-18 10:52:38

 338

 11

#人工智能 #架构 #后端
AI 一进老代码库就迷路？两个 Skill 理清它

摘要：Matt Pocock提出两个AI编程技能——codebase-design和domain-modeling，帮助AI理解复杂代码库。前者通过"深模块"原则（接口小实现大）优化代码结构，后者统一术语定义建立项目词典。二者配合使用，让AI在开发时能快速定位代码功能，避免在混乱的代码库中迷失方向。这种方法既保持代码的整洁性，又提高了AI协作效率，特别适合处理历史遗留系统的改造

 lincats
2026-08-18 06:48:11

 619

 24

#人工智能 #github #架构 +1
Prompt、Agent、Function Call、Skill、MCP，傻傻分不清楚？一文讲透并附代码实战

摘要：本文解析大语言模型（LLM）应用中易混淆的核心概念——Prompt、Agent、FunctionCall、Skill和MCP。通过定义对比与代码示例，阐明其分层协作关系：Prompt是基础指令，Agent实现自主决策，FunctionCall桥接外部工具，Skill封装可复用能力，MCP标准化工具连接协议。示例演示了从简单Prompt到多工具Agent的渐进实现，最终组合四者构建多功能迷你A

m0_73571447
2026-08-17 17:06:16

 354

 10

#服务器 #android #架构 +2
《深入理解 AI Agent》之学习笔记-DAY 11(代码，Agent 的元能力)

普通能力 = Agent 能做某件具体的事。元能力 = 能创造其他能力的能力：当场写出新工具、新约束、新表达形式，而不必事先预制好一切。代码生成正是这样的元能力——它精确、可执行、可组合。│ 6. Agent 自身（自举） │ ← 最外层：创造/修复 Agent│ │ 5. 用户界面（生成式 UI） │ ← 与人交互的界面│ │ │ 4. 系统接口（适配器）│ │ ← 连接机器与机器│ │ │ │

feibin666666
2026-08-17 15:58:07

 465

 12

#人工智能 #架构 #bert
怎么写？让 Agent 先规划，再执行，再补缺口

文章摘要：ReAct 擅长根据局部反馈选择下一步，却容易在长任务里漏项、重复搜索和过早总结。本文只讲 Plan-and-Execute：如何把计划变成结构化状态，并让预算、执行、审查、并行和重规划真正进入运行时。所属系列：ReAct 与 Agent Loop 工程（3/6）上一篇的 Harness 管一次 Agent 运行内部的预算、重试、审批和副作用。本篇再向外一层：Plan-and-Execu

m0_73324873
2026-07-30 09:14:57

 472

 23

#python #架构
Agent 记忆系统架构设计

本文探讨了Agent记忆系统的分层架构设计，针对LLM上下文窗口有限与长任务需求之间的矛盾，提出四层记忆架构解决方案。文章首先指出传统两层架构（短期/长期记忆）的三大痛点：粒度粗、边界模糊、缺少治理。随后详细介绍了四层架构（上下文窗口、工作记忆、会话记忆、长期记忆）的分层设计原理、核心参数和升降级机制，强调冷热分离和治理边界清晰的重要性。最后对各层实现方案进行深度拆解，包括工作记忆的任务状态管理、

dijk
2026-07-21 07:15:00

 569

 15

#架构
AgentScope 2.0：5. Middleware —— 无侵入式智能体扩展机制深度解析

本文介绍了AgentScope Java 2.0中的Middleware中间件机制，用于无侵入式扩展智能体功能。核心设计分为两类模型： Onion洋葱模型 - 通过包裹核心逻辑实现链路追踪、计时统计等场景，执行顺序为逐层进入和离开。 Transformer变换模型 - 通过数据流改写实现动态提示词注入、敏感词过滤等功能。系统提供了5个关键挂载点： onAgent：整轮调用起点/终点 onSyst

mqiqe
2026-08-10 07:15:00

 1032

 22

#人工智能 #gateway #架构 +1
Agent Harness Runtime 架构深度解析：工具循环、状态外置与长程任务调度

自“模型被怎样接入真实工作流”。本文不把 Harness 当成一个流行词来解释，而是把它拆成一套可落地的运行时架构：工具循环、状态持久化、执行沙箱、记忆检索、确定性 Hook、长程任务调度，以及正在形成的 Harness-as-a-Service 趋势。图：Harness 像模型外壳，把推理能力接入工具、状态、约束和真实工作流。一个 Agent 不是“会说话的模型”，而是“模型被放进一个可以行

 山内桜良1
2026-07-05 14:39:20

 209

 4

#架构
国企面试官：“你说这个项目是Agent，这和调用大模型API，有啥区别？” ，我震惊了：“Think-Execute 循环、RAG向量检索，你都不知道？”

最近很多录友在做 AI 项目，但我发现一个普遍问题：简历写着“接入大模型、实现聊天”。

小天才学习机打游戏
2026-06-24 21:40:46

 222

 7

#人工智能 #数据库 #系统架构 +2
《Agentx专栏》03-架构设计：AgentX的六层架构是如何生长出来的

AgentX 架构设计解析：从 HTTP 到 LLM 的请求全流程摘要：本文详细解析了 AgentX 的六层架构设计，重点解决 Agent 系统特有的长耗时、不可预期请求处理挑战。架构包含客户端层、接入层、调度层、执行层、能力层和基础设施层，每层职责明确且独立。典型请求流程展示了一个 HTTP 请求如何通过 SSE 流式返回结果，包括 LLM 推理（5-10s）、工具调用（0.5s）和结果整合

 wx5701619
2026-05-24 15:28:10

 479

 10

#架构 #redis #docker +2
【Agent Harness】Gliding Horse 工具结果压缩体系：如何用“指针”驯服上下文膨胀

Gliding Horse 的工具结果压缩体系，本质上是一套信息无损的指针系统。它把“笨重”的原始数据留在图数据库和 L0 持久化层，只把轻量的“名片”（摘要 + IRI + 微工具）递进上下文。当 LLM 需要时，按图索骥即可精准取回。这套设计让 Agent 既能拥有海量的工作记忆，又不必为 Token 账单发愁，是让自主 Agent 走向长周期、高可靠的核心基础设施。

doiito（Do It Together）
2026-06-27 09:08:42

 1700

 64

#人工智能 #rust #架构
AI 设计 Agent 技术演进：从图像生成到全链路品牌智能体的架构思考

本文从技术视角分析 AI 设计工具的代际演进：1.0 时代基于扩散模型的图像生成，2.0 时代引入模板化与智能排版，3.0 时代则实现了品牌全链路的 Agent 化。探讨多模态融合、工作流编排、品牌知识库等关键技术点，以及燕雀光年等平台的架构实践。

AI设计大师
2026-03-18 18:07:15

 492

 6

#人工智能 #架构
智能体工程最佳实践：构建生产级 Agent Harness 的完整指南

模型提出动作；Harness 验证、授权、执行、记录并返回观测结果。

Python编程杰哥
2026-07-24 11:00:04

 211

 8

#中间件 #性能优化 #数据库 +2
DeerFlow Agent 中间件架构：用插件化链彻底告别 Agent 继承式开发

框架提供纯数据类True：启用框架内置默认中间件；False：直接关闭该能力；传入实例：使用自定义实现替换官方中间件。@dataclass# summarization/guardrail 无内置实现，仅支持关闭或自定义中间件业务侧可零侵入替换核心能力：例如自研向量记忆，仅需实现，传入，组装时会自动剔除原生，全程不修改底层组装逻辑。@Next(目标中间件类)：当前插件插入锚点之后；@Prev(目标

 ASKCOS
2026-07-03 17:00:58

 419

 2

#中间件 #架构
浙大×阿里云综述 Token 经济学：LLM Agent 的成本、协作与安全账本

一句话讲清楚👉🏻** 来自浙江大学和阿里云的研究团队把 LLM Agent 里的 token 重新定义为生产要素、交换媒介和记账单位，用一套“计算机系统 × 经济学”的框架解释单 Agent 、多 Agent 、 Agent 生态和安全治理中的成本边界。

程序猿李巡天
2026-05-20 20:25:53

 514

 8

#阿里云 #安全 #云计算 +4
Agent 17 种架构模式分析 & 思考

本篇的 17 种模式分析主要覆盖 L (Lifecycle) 和 V (Verification) 两层，E (Execution) 和 G (Governance) 更多的是从实践角度进行补充。L4 可靠多 agent 协作, 有 memory, 有安全闸门Multi-Agent + Memory + Dry-Run生产级自动化, 金融/医疗。Tool (ACI)接口协议Agent-Comput

心念枕惊
2026-07-10 14:37:04

 202

 6

#架构
Python内存泄漏排查实战——9年老司机带你用tracemalloc和objgraph精准定位问题

本文分享了排查Flask应用内存泄漏的实战经验。通过一个用户行为分析系统的案例，展示了如何使用Python自带的tracemalloc和第三方工具objgraph定位内存泄漏点。文章详细介绍了排查步骤：确认泄漏存在、定位问题代码、分析对象引用关系、验证修复效果，并提供了三级防御解决方案（自动清理、LRU缓存、监控预警）。最后总结了5条避坑经验：慎用全局变量、缓存设置过期机制、资源管理、打破循环引用

 小陈工
2026-03-20 10:56:12

 392

 9

#python #java #开发语言 +3
agent面试必备52-多智能体（Multi-Agent）在企业真实业务中的落地应用

当你掌握了多智能体的底层原理、协作模式和状态同步之后，面试官往往会祭出最后的大招：“在实验室里跑一个写贪吃蛇代码的 Demo 很容易，但要把多智能体系统（Multi-Agent System, MAS）接入到企业的核心数据链条中，直接决定了你能否拿到高级/资深架构师的 Offer。这篇博客将用大白话带你盘点工业界最成熟的，深度剖析大厂生产环境的防坑指南，并附带一段极具业务价值的“企业 BI 数据分

 草帽-路飞
2026-07-28 00:01:25

 395

 9

#面试 #oracle #职场和发展 +4
01Agent的介绍与架构

大模型 Agent 是以大语言模型为大脑，配合规划、记忆、工具调用等模块，能够自主完成复杂任务的系统。它和传统 A 最大的区别在于:传统 AI 是你问一句它答一句，Agent 是你给它一个目标，它自己拆任务、调工具、一步步干完。具体差异可以从这几个维度来看:1)目标导向 vs被动响应。传统大模型就是个对话机器，用户输入什么它输出什么，没有主动性。Agent 不一样，你给它个最终目标，比如"帮我调研

 Hint739
2026-06-30 16:58:17

 913

 24

#架构 #人工智能
【Agent 开发】一文看懂三种 RAG 架构：Classic RAG、Graph RAG 与 Agentic RAG

这两年只要聊大模型应用，RAG几乎是绕不开的话题。最早大家理解RAG，通常是把它看成一个“给大模型外挂知识库”的方案：用户提出问题之后，系统先去知识库里检索相关内容，再把检索结果和用户问题一起塞进Prompt，最后让大模型基于这些材料生成回答。这个理解没有错，但它只解释了最基础的。在很多早期场景里，这套方案已经足够好用。比如产品文档问答、接口说明查询、企业制度检索、FAQ 客服机器人，本质上都是把

 m0_72351119
2026-05-29 16:10:40

 525

 12

#架构 #github #git +4
企业级 Agent 技术演进：从流程自动化到业务全闭环的升级路径 —— 2026架构重构、主流方案深度横评与落地实操指南

企业级Agent技术全景与核心方案对比当前企业级Agent技术正从单一自动化向全业务闭环升级，大模型驱动AI从辅助工具演进为自主决策的数字员工。本文梳理了四大主流解决方案：实在Agent：基于TARS大模型和ISSUT屏幕语义理解技术，实现跨系统非侵入式连接，支持微信/企业微信远程操控，获信通院5级认证。微软Copilot Studio：深度集成Azure OpenAI与Power Plat

老王谈企服
2026-07-21 16:46:40

 227

 3

#自动化 #架构 #重构 +1