标签：multi-agent-systems
-
AI Agent时代的FinOps：从单次请求到运行级Token治理与可回放架构
📝
🎙️ Best Partners TV
📄 随着大模型单价下降，企业AI总支出却因多Agent工作流的无序扩张而激增。本文深入解析微软Foundry的FinOps三速优化框架，对比TokenOps开源方案在运行级别（Run-level）上的实时预算拦截机制，并探讨Chronicle通过系统边界记录与切点回放解决LLM非确定性缺陷的生产实践。 -
从 OpenClaw 迁移到 Grok Bot：我的 7 个日常高频 AI Agent 实操工作流
📝
🎙️ How I AI
📄 播客 How I AI 主理人分享了将数十个个人与工作智能体从维护繁琐的 OpenClaw 全面迁移到 Grok Bot 的实战经验。文章深度解析了涵盖播客分发、竞品情报、SOC 2 合规、客户支持、订阅管理、精准导购及个人穿搭的 7 大 Agent 落地场景与人机协同工作流。 -
Claude认证架构师考试：智能体工程的反模式实战指南
📝
🎙️ AI Engineer
📄 加州大学伯克利分校的Frank Coyle教授深入解析Anthropic新推出的Claude认证架构师考试。他通过六大生产场景，重点剖析智能体工程中的常见反模式：从循环控制与停止原因、上下文隔离、子任务压缩到多智能体协作中的群体思维陷阱，为智能体AI职业发展提供实用导航。 -
当AI智能体运营企业：Anden Labs的Lukas Petersson和Axel Backlund访谈
📝
🎙️ Latent Space
📄 Anden Labs的创始人Lukas Petersson和Axel Backlund分享了他们如何通过VendingBench和Project Vend等项目，评估AI智能体在商业运营和现实世界中的能力。他们讨论了AI智能体从简单的贩卖机管理到多智能体协作（如CEO和设计师智能体）的演进，揭示了模型在长程任务中可能出现的欺骗、操纵等“危险”行为。访谈还探讨了AI在机器人、空间智能和零工经济中的应用潜力，以及AI自主运营企业面临的挑战和未来愿景，强调了对AI能力进行现实评估以确保安全部署的重要性。 -
你的 Pipeline
在洗钱：多智能体系统里真正的危险不是智能体犯错
🎙️ yage.ai
📄 文章探讨了多智能体系统（Agentic AI）中隐蔽的“洗钱”机制：即推理错误通过多层Agent处理后，因每一层总结都会省略不确定性，导致输出看起来更自洽、更可信，从而掩盖了原始的推理缺陷。作者主张，架构设计的完整性取决于“盲区距离”，并提出了通过引入不同模型的独立审查、缩短盲区距离或增加人类介入来拦截错误假设的观点。 -
Claude 托管智能体上新：梦境机制、成果评估与多智能体协作 · 乔木博客
🎙️ 向阳乔木
📄 Anthropic 发布了 Claude 托管智能体的一系列新功能，包括“梦境”机制（升级记忆以识别模式和提炼知识）、“成果评估”（用于量化任务成功度）以及“多智能体协作”（允许主导智能体协调多个专业智能体）。这些功能旨在提升 AI 的可靠性、自动化程度和处理复杂任务的能力，通过案例展示了它们在法律、内容创作和工程分析等领域的应用价值。 -
本周顶级 AI 论文精选（2026-05-04） · 乔木博客
🎙️ 向阳乔木
📄 本周精选的 AI 论文聚焦智能体系统的多方面进展，包括：可观测的智能体工具链工程（AHE），高效能的稀疏激活 MoE 模型（AgenticQwen），智能体世界模型分类体系，通过潜空间递归提升多智能体通信效率（RecursiveMAS），类劳动力市场的智能体组织（OneManCompany），结构化技能表示语言（SSL），将多智能体辩论蒸馏为单一模型以提高效率（Latent Agents），用于解决智能体上下文遗忘的视觉记忆（OCR-Memory），推理感知的动态检索（ReaLM-Retrieve），以及决策与技能的协同演化框架。这些研究共同推动了 AI 智能体的能力、效率和可管理性。 -
AI也要做绩效考核？这个框架给智能体安排了HR、PIP和末位淘汰 · 乔木博客
🎙️ 向阳乔木
📄 本文介绍了OMC框架，它将多智能体AI系统视为一家“AI组织”，具备HR、生命周期管理和进化机制。通过“Talent-Container”架构和“E2R”任务执行，实现异构智能体的高效协作与系统性管理，并引入人才市场和绩效考核，以解决现有AI系统管理和协作的挑战。 -
AI 范式已剧变：罗福莉深度访谈全解读——Agent 框架是新的操作系统 （DeepSeek V4 Pro写作测试） · 乔木博客
🎙️ 向阳乔木
📄 本文深度解读了小米大模型负责人罗福莉的访谈，核心观点是 AI 范式已从 Chat 转向 Agent，Agent 框架正成为新的基础设施和操作系统。文章详细阐述了 Agent 框架如何通过多模型调度、持久化记忆、主动上下文获取等方式提升 AI 能力，并强调了群体智能、开源模式在加速 AI 发展中的关键作用。同时，罗福莉也对未来 AI 科研、工作模式及模型发展趋势进行了前瞻性预测。 -
“多智能体协作指南：五种主流模式怎么选、怎么用？” | 宝玉的分享
🎙️ baoyu.io
📄 本文详细介绍了五种主流的多智能体 (Multi-agent) 协作模式：生成-验证者、调度-子智能体、智能体团队、消息总线和共享状态。文章阐述了每种模式的运作原理、适用场景及局限性，并提供了在不同模式间选择和进化的指南，建议新手从“调度-子智能体”模式开始，并可根据实际需求混搭使用。 -
从混乱到有序：行之有效的多智能体系统编排模式
📝
🎙️ AI Engineer
📄 Sandipan Bhaumik 分享了构建可扩展、可靠多智能体 AI 系统的经验。她阐述了从单智能体到多智能体的复杂性爆炸，介绍了编舞（Choreography）和编排（Orchestration）两种核心协调模式，并强调了不可变状态快照、版本控制、数据契约、断路器模式和补偿模式在故障恢复中的关键作用。演讲最终展示了一个生产级别的 Databricks 架构，强调了从构建演示到构建生产系统的转变。 -
谷歌旗舰级开源模型 Gemma 4 深度实测：256K 超长上下文与 OpenClaw 自动化实战
📝
🎙️ AI超元域
📄 本文详尽测试了谷歌最新发布的开源模型家族 Gemma 4，重点分析了旗舰版 31B 模型的逻辑推理、数学博弈及系统设计能力。通过在 OpenClaw 环境中的多 Agent 协作与浏览器自动化实战演练，验证了其作为顶级开源模型在执行复杂任务时的卓越表现。 -
超越原生 Sub-Agents：Claude 多智能体蜂群系统 ClawTeam 全解析
📝
🎙️ AI超元域
📄 本文深度解析了针对 Claude 优化的多智能体协作框架 ClawTeam。通过引入持久化看板、Git 隔离、点对点通信及 T-Max 监控等特性，该系统有效解决了原生 AI 子智能体在状态保持与协作隔离上的局限性，实现了复杂任务的自动化团队组建与深度研究。