技术方向
让模型自主规划、调用工具、完成多步任务的技术方向——从 Claude Code、Manus 到各家 Agent 框架与评测基准的全部动态。
448 条精选近 30 天 280 条共收录 5,919 条
Anthropic 基于与数十个团队合作的经验发布构建高效 Agent 的工程指南，主张用简单、可组合的模式而非复杂框架，并区分了工作流与 Agent 两类系统。文章给出增强 LLM 这一基础构件，以及提示链、路由、并行化、编排者-工作者、评估者-优化者五种工作流模式，并建议仅在简单方案失效时增加复杂度；附录还讲解了工具提示词工程与 Agent-计算机接口（ACI）设计实践。
推荐理由：Anthropic 基于大量客户实践总结了构建智能体的可组合模式与工具设计方法，开发者可直接对照自己的场景选用。
Hugging Face 发布教程，讲解 ReAct 智能体的内部工作原理，并演示如何用新集成的 ChatHuggingFace 类在 LangChain 中构建开源模型智能体。
推荐理由：原文给出 ReAct 智能体的运行机制、LangChain 实现代码和开源模型对比基准，Mixtral-8x7B 超过 GPT-3.5 的结果可作选型参考。
Hugging Face 在 huggingface.js 下推出 Agents.js，一个让浏览器或服务端 JavaScript 为大语言模型提供工具访问的新库，可通过 npm 安装（npm install @huggingface/agents）。
推荐理由：原文给出安装方式、代码生成与执行流程、自定义 LLM 和自定义工具的写法，读者可以直接上手复用。
Lilian Weng 在博客发布长文，系统阐述以 LLM 为核心控制器的自主智能体架构，将其拆解为规划、记忆、工具使用三大组件。
推荐理由：文章把 LLM 智能体系统拆解为规划、记忆、工具使用三大组件，梳理了 ReAct、Reflexion 等代表方法与共同局限，便于建立整体认知框架。
Lilian Weng 在 Lil'Log 发表 Prompt Engineering 长文，系统介绍不更新模型权重、靠提示引导大语言模型行为的方法。
推荐理由：Lilian Weng 系统梳理了从 few-shot 到 CoT、自洽采样和 Toolformer 的提示词方法，附带示例选择与偏差校准的可迁移经验。
OpenAI 通过 Video PreTraining（VPT）在海量无标注的 Minecraft 人类游玩视频上训练神经网络，仅使用少量标注承包商数据。经微调后模型能合成钻石工具，这一任务熟练人类通常需要超过 20 分钟（24,000 个操作）；模型使用键盘和鼠标的原生人类接口，是迈向通用计算机操作智能体的一步。
推荐理由：原文给出 VPT 用少量标注数据加海量无标注视频训练出会玩 Minecraft 的模型，可了解视频预训练在通用操作智能体上的思路。
OpenAI 报告，智能体在其新构建的模拟捉迷藏环境中训练时，逐步发现越来越复杂的工具使用行为。智能体在游戏中演化出六种不同的策略与反策略，其中部分策略是团队事先不知道该环境所支持的。OpenAI 认为这种简单环境中的自监督涌现复杂性表明，多智能体协同适应未来可能产生极其复杂和智能的行为。
推荐理由：OpenAI 自述多智能体在捉迷藏环境中自发演化出六种策略与反策略，可帮助读者了解多智能体协同适应如何产生复杂行为。
OpenAI 提出一项 AI 安全技术：训练智能体就某一话题互相辩论，由人类判断谁获胜，以此辅助监督模型行为。
推荐理由：OpenAI 提出用智能体互相辩论、由人类裁判胜负来训练 AI 的安全方法，为对齐研究提供了一条可参考的思路。