智能体

AutoGPT 安装与使用AutoGPT 是最早出圈的自主智能体项目：你只需给出一个目标，它会自动拆解任务、调用工具、自我反思，直到任务完成。本文介绍 AutoGPT 的安装与上手。 一、AutoGPT 是什么？AutoGPT 的核心循环： 1目标 → 思考(Thought) → 行动(Action) → 观察(Observation) → 再思考 → ... 它通过 LLM 的推理能力驱动，可调用： 文件读写：生成/修改文档、代码 网页浏览：搜索信息、抓取网页 代码执行：运行 Python 脚本 内存存储：长期记忆任务上下文 二、安装步骤方式一：Docker（推荐）12345678910# 1. 克隆仓库git clone https://github.com/Significant-Gravitas/AutoGPT.gitcd AutoGPT# 2. 配置 API Keycp .env.template .env# 编辑 .env，填入 OPENAI_API_KEY 或兼容的第三方 Key# 3. 启动docker compose up --build 方...

扣子（Coze）智能体搭建教程扣子（Coze）是字节跳动推出的智能体开发平台，无需编程即可搭建具备工具调用、知识库、多轮对话能力的 AI 助手，并一键发布到抖音、飞书、微信公众号等渠道。 一、注册与入口 打开 https://www.coze.cn（国内版），使用手机号或抖音账号登录 国际版入口为 https://www.coze.com，注意两版数据不互通 二、创建第一个智能体1. 新建智能体点击「创建智能体」，填写： 名称：例如「美食推荐官」 简介：一句话说明用途 头像：可用平台提供的 AI 生成头像 2. 编写人设与回复逻辑（Prompt）这是最核心的一步。示例： 123456789你是「美食推荐官」，擅长根据用户的预算、口味和位置推荐餐厅。工作流程：1. 先询问预算、口味偏好、所在城市2. 使用【美食搜索】插件查询附近餐厅3. 按评分排序，给出 3 个推荐并说明理由4. 如果用户不满意，继续追问并重新推荐风格：热情、简洁，回复控制在 150 字以内。 3. 添加插件（工具调用）在「插件」面板点击添加，常用插件： 插件 用途 头条搜索 实时信息查询 ...

Dify 安装部署教程Dify 是目前最流行的开源 LLMOps 平台之一：可视化编排 Agent、自带知识库（RAG）、支持 100+ 模型接入，一条命令即可本地部署。本教程带你从零跑通 Dify。 一、环境要求 系统：Linux / macOS / Windows（推荐 Linux 服务器） Docker：20.10+，并启用 Docker Compose 配置：最低 4 核 8G 内存（生产建议 8 核 16G） 模型 API Key：OpenAI / DeepSeek / 通义千问 / 智谱 任选其一 二、安装步骤1. 安装 Docker（如已安装可跳过）1234567# Ubuntu / Debiancurl -fsSL https://get.docker.com | bashsudo systemctl enable --now docker# 验证docker --versiondocker compose version 2. 克隆 Dify 仓库123git clone https://github.co...

主流智能体框架盘点：从 AutoGPT 到 Dify2025 年被称为「智能体元年」，市面上涌现出大量 Agent 框架与平台。它们定位不同、形态各异：有开源的开发框架，也有开箱即用的云端平台。本文按开发框架、低代码平台、通用助手三条路线，盘点当前最流行的智能体产品。 一、开源开发框架（适合程序员）1. LangChain / LangGraph 定位：最成熟的 LLM 应用开发框架，LangGraph 是其图编排升级版 特点：组件丰富、生态庞大，支持链式调用、状态机、人机协作 适合：有编程基础、需要深度定制的开发者 安装：pip install langgraph 2. AutoGPT 定位：经典自主 Agent 项目，给定目标后自动拆解任务并执行 特点：目标驱动、自动循环，可调用浏览器、文件、API 适合：想体验「AI 自主干活」的极客 安装：git clone https://github.com/Significant-Gravitas/AutoGPT && cd AutoGPT && ./setup.sh 3. CrewA...

从零搭建一个基于 Function Calling 的天气查询智能体一、问题：大模型不知道「现在的天气」问一个 LLM「北京今天热不热」，它只能诚实地告诉你「我无法获取实时天气」。因为大模型的知识来自训练数据，天然缺三样东西：实时数据、外部系统、动作能力。Function Calling（函数调用，也称 Tool Calling）就是补上这三样的标准机制：让模型在对话中「感知」到外部工具的存在，并在需要时返回一份结构化的「调用指令」（函数名 + 参数），由你的代码真正执行，再把结果喂回给模型生成最终回答。 本实验要做的，就是把这条链路亲手跑通：一个用户说「帮我查下北京天气」，Agent 自动决定调用 get_weather 工具、拿到真实数据、组织成人话。这也是一切「AI Agent 能干活」的最小范式。 二、核心思路与调用流程Function Calling 的完整流程分六步： 123① 定义工具 → ② 用户提问 → ③ 模型决定是否调用→ ④ 你的代码执行真实函数 → ⑤ 结果回传（tool 消息）→ ⑥ 模型基于结果生成最终回答 关键认知：模型其实「不会」调用函数。它只...

多智能体协作框架实践：生成者 + 评审者，让两个 Agent 互相辩论优化答案一、为什么需要「让 AI 与自己吵架」单个 LLM 有一个众所周知的毛病：顺着用户、缺乏批判、容易自信地编造（幻觉）。一个 Agent 直接吐出的答案往往是「第一稿」——没有经过审视和反驳。而人类高质量工作从来不是一气呵成：先写初稿，再找同行挑毛病，反复修改后才成型。 多智能体协作（Multi-Agent Debate / Reflection）就是把这个「审稿-修改」过程搬到 AI 身上：让一个 Agent 负责生成，另一个 Agent 负责挑刺，两个 Agent 来回多轮「辩论」，最终收敛出一个经过对抗检验的答案。这是目前最被证实的降低幻觉、提升逻辑严密性的工程手段之一。 二、本实验的架构：生成者 + 评审者采用最少但完整的双 Agent 结构： 1出题 → Agent A 生成 → Agent B 评审 → 分歧则回炉 → 收敛输出 Agent A（生成者 Generator）：负责产出答案初稿，立场是「尽量全面、尽量自信」； Agent B（评审者 Critic）：负责逐条指出初稿...