<?xml version="1.0" encoding="UTF-8"?>
<rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:media="http://search.yahoo.com/mrss/" version="2.0"><channel><title>分类：AI Agent - LT技术站</title><link>https://lautung.com/categories/ai-agent</link><atom:link href="https://lautung.com/categories/ai-agent/feed/categories/ai-agent.xml" rel="self" type="application/rss+xml"/><description>纸上得来终觉浅，绝知此事要躬行！</description><generator>Halo v2.27.3</generator><language>zh-cn</language><image><url>https://lautung.com/upload/ChatGPT%20Image%202026%E5%B9%B47%E6%9C%8810%E6%97%A5%2002_45_40(1).webp</url><title>分类：AI Agent - LT技术站</title><link>https://lautung.com/categories/ai-agent</link></image><lastBuildDate>Sat, 21 Nov 2026 20:54:56 GMT</lastBuildDate><item><title><![CDATA[Agent开发：评测集]]></title><link>https://lautung.com/archives/0Pbx3cxV</link><description><![CDATA[<img src="https://lautung.com/plugins/feed/assets/telemetry.gif?title=Agent%E5%BC%80%E5%8F%91%EF%BC%9A%E8%AF%84%E6%B5%8B%E9%9B%86&amp;url=/archives/0Pbx3cxV" width="1" height="1" alt="" style="opacity:0;">本文围绕智能系统开发的核心目标和环境架构展开，基本目标包含：提升结果准确性与可控性、建立RAG检索支持体系、通过多维度证据链增强可信度、设计 Agent 决策流程优化机制、针对稳定性异常设置动态监测方案、实现成本控制与效率提升的平衡，并构建分级安全权限防护体系。环境层面依托数据中台整合多源异构信息资源，通过评测中台建立标准化评估模型与实时效果回溯机制。核心价值在于揭示智能系统开发者需统筹兼顾的七大关键维度，为技术落地提供从数据治理到效果验证的全链路支撑方案，同时降低部署风险与运营成本。]]></description><guid isPermaLink="false">/archives/0Pbx3cxV</guid><dc:creator>LTT</dc:creator><category>AI Agent</category><pubDate>Tue, 3 Nov 2026 13:59:33 GMT</pubDate></item><item><title><![CDATA[Agent开发：Agent系统的安全性]]></title><link>https://lautung.com/archives/7kKdpUyW</link><description><![CDATA[<img src="https://lautung.com/plugins/feed/assets/telemetry.gif?title=Agent%E5%BC%80%E5%8F%91%EF%BC%9AAgent%E7%B3%BB%E7%BB%9F%E7%9A%84%E5%AE%89%E5%85%A8%E6%80%A7&amp;url=/archives/7kKdpUyW" width="1" height="1" alt="" style="opacity:0;">Agent系统执行文件操作、调用API及执行代码时，若安全性不足将直接引发财产损失。其面临四大核心风险：Prompt注入可能诱导违规指令，工具滥用易导致攻击升级，数据泄露风险暴露敏感信息，过度自主性易引发不可控操作。对应防御架构包括输入过滤机制识别异常指令，工具调用权限分级与行为审计，输出审核模块对生成内容进行合规性验证。建立风险防控体系，确保系统操作受控且数据安全，平衡自动化效率与合规管理需求。]]></description><guid isPermaLink="false">/archives/7kKdpUyW</guid><dc:creator>LTT</dc:creator><enclosure url="https://lautung.com/apis/api.storage.halo.run/v1alpha1/thumbnails/-/via-uri?uri=%2Fupload%2Fcover-1793595334979.webp&amp;size=m" type="image/jpeg" length="345724"/><category>AI Agent</category><pubDate>Mon, 2 Nov 2026 04:55:34 GMT</pubDate></item><item><title><![CDATA[Agent 开发实战：从规划、执行到约束与协作的完整方法论]]></title><link>https://lautung.com/archives/agent-development</link><description><![CDATA[<img src="https://lautung.com/plugins/feed/assets/telemetry.gif?title=Agent%20%E5%BC%80%E5%8F%91%E5%AE%9E%E6%88%98%EF%BC%9A%E4%BB%8E%E8%A7%84%E5%88%92%E3%80%81%E6%89%A7%E8%A1%8C%E5%88%B0%E7%BA%A6%E6%9D%9F%E4%B8%8E%E5%8D%8F%E4%BD%9C%E7%9A%84%E5%AE%8C%E6%95%B4%E6%96%B9%E6%B3%95%E8%AE%BA&amp;url=/archives/agent-development" width="1" height="1" alt="" style="opacity:0;">本文总结开发可靠 AI 助手的核心机制：必要性分阶段实施安全控制，包括任务规划（拆分大目标为可验收步骤）、沙箱环境（限制工具调用权限与副作用）、Hook 回调（执行前校验参数+后审计日志）、规则引擎（用结构化条件拦截不可违背操作）和 Goal 模式（驱动探索式任务按条件组判违规）。次要功能回归基础架构，如日志系统强制可回溯整个执行链条，AgentScope 作为跨进程调度框架适用复杂协作场景。关键评估维度：计划质量（规划是否过细）、沙箱资源克制度、规则冲突解决优先级设定。的生产落地需区分内外网执行边界，避免将未上钩的安全检查嵌入 Main Code，同时强调失败分类（规则拦截/执行中断/时间超限）对策略迭代的反馈价值。用户收益明确：降低意外改写文件风险87%，任务失败可精准追溯至具体钩子断点，合规拦截率提升62%（经实验室模拟验证）。]]></description><guid isPermaLink="false">/archives/agent-development</guid><dc:creator>LTT</dc:creator><category>AI Agent</category><pubDate>Wed, 16 Sep 2026 06:21:53 GMT</pubDate></item><item><title><![CDATA[CrewAI 适合什么：角色、任务和 Crew 编排]]></title><link>https://lautung.com/archives/crewai-multi-agent</link><description><![CDATA[<img src="https://lautung.com/plugins/feed/assets/telemetry.gif?title=CrewAI%20%E9%80%82%E5%90%88%E4%BB%80%E4%B9%88%EF%BC%9A%E8%A7%92%E8%89%B2%E3%80%81%E4%BB%BB%E5%8A%A1%E5%92%8C%20Crew%20%E7%BC%96%E6%8E%92&amp;url=/archives/crewai-multi-agent" width="1" height="1" alt="" style="opacity:0;">这篇解决什么 CrewAI 解决的是「按角色分任务」的 Multi-Agent，不是通用图编排。核心对象只有三个：Agent（角色、目标、工具）、Task（要交付什么）、Crew（谁和谁、按什么流程跑）。原先这篇是空草稿，并进这一条，不再另开标题。 先写角色边界，再写 Crew 每个 Agent 只]]></description><guid isPermaLink="false">/archives/crewai-multi-agent</guid><dc:creator>LTT</dc:creator><enclosure url="https://lautung.com/apis/api.storage.halo.run/v1alpha1/thumbnails/-/via-uri?uri=%2Fupload%2Fzhcover-01a009da-b414-7578-8d0d-9d31edfbdc0d.jpg&amp;size=m" type="image/jpeg" length="27667"/><category>AI Agent</category><pubDate>Thu, 10 Sep 2026 07:25:05 GMT</pubDate></item><item><title><![CDATA[LangGraph 管什么：State、边和人机协同]]></title><link>https://lautung.com/archives/langgraph-orchestration</link><description><![CDATA[<img src="https://lautung.com/plugins/feed/assets/telemetry.gif?title=LangGraph%20%E7%AE%A1%E4%BB%80%E4%B9%88%EF%BC%9AState%E3%80%81%E8%BE%B9%E5%92%8C%E4%BA%BA%E6%9C%BA%E5%8D%8F%E5%90%8C&amp;url=/archives/langgraph-orchestration" width="1" height="1" alt="" style="opacity:0;">LangGraph 通过图结构系统性管理循环、分支、中断和恢复场景，核心包含共享状态（State）、可执行节点（Node）和条件边（Edge）。State以TypedDict实现多轮共享数据，Node定义模型/工具调用或状态修改，Edge区分固定路径和需模型决策的分支。相比LangChain的链式结构，LangGraph更适合需人工干预或多状态分支的流程。两种API互不混用，Graph API可视设计强，Functional API适配已有函数改造。执行时通过HITL机制（Human-in-the-loop）在tool调用前中断，记录检查点至内存外数据库（如PostgreSQL/Redis），确保恢复准确。流式执行需输出token级和节点级事件，避免内存存储导致会话中断。选型时：需可视化流程和中断恢复选LangGraph；仅需基础提示词+NLP/检索直接拼接 LangChain；角色分工场景建议CrewAI；需完整权限沙箱机制则参考AgentScope标准。]]></description><guid isPermaLink="false">/archives/langgraph-orchestration</guid><dc:creator>LTT</dc:creator><enclosure url="https://lautung.com/apis/api.storage.halo.run/v1alpha1/thumbnails/-/via-uri?uri=%2Fupload%2Fzhcover-01a05847-4653-707d-868e-3263ffae88de.jpg&amp;size=m" type="image/jpeg" length="27349"/><category>AI Agent</category><pubDate>Thu, 10 Sep 2026 07:25:03 GMT</pubDate></item><item><title><![CDATA[Agent 为什么要沙箱：隔离检索、工具和密钥]]></title><link>https://lautung.com/archives/agent-sandbox-multitenant</link><description><![CDATA[<img src="https://lautung.com/plugins/feed/assets/telemetry.gif?title=Agent%20%E4%B8%BA%E4%BB%80%E4%B9%88%E8%A6%81%E6%B2%99%E7%AE%B1%EF%BC%9A%E9%9A%94%E7%A6%BB%E6%A3%80%E7%B4%A2%E3%80%81%E5%B7%A5%E5%85%B7%E5%92%8C%E5%AF%86%E9%92%A5&amp;url=/archives/agent-sandbox-multitenant" width="1" height="1" alt="" style="opacity:0;">在多租户环境实施安全管控需遵循三原则：一是资源隔离，Agent接入强制绑定tenant_id并贯穿检索过滤、缓存key、出站策略等全链路，不可通过用户输入推测租户归属；二是强沙箱机制，实施工具白名单、访问域名白名单、工作目录限制和出站网关管控，同时物理阻断shell和直接调用生产库；三是动态分级管控，单租户内部可采用逻辑隔离，但涉及客户数据或触发合规审计时必须实施独立向量集合、密钥体系及定制化出站规则，配合审计日志实时记录和不可篡改存储。方案重点平衡安全性与运行效率，当多租户混用场景形成时（如跨企业服务复用、集团内部多部门系统共享）则必须强制上线独立运行时隔离体系。]]></description><guid isPermaLink="false">/archives/agent-sandbox-multitenant</guid><dc:creator>LTT</dc:creator><enclosure url="https://lautung.com/apis/api.storage.halo.run/v1alpha1/thumbnails/-/via-uri?uri=%2Fupload%2Fzhcover-01a08624-ace3-710f-a526-a1ffe6fcc564.jpg&amp;size=m" type="image/jpeg" length="27886"/><category>AI Agent</category><pubDate>Thu, 10 Sep 2026 07:16:59 GMT</pubDate></item><item><title><![CDATA[Agent 怎么停、怎么回放：取消、预算和 trace]]></title><link>https://lautung.com/archives/agent-stop-logging</link><description><![CDATA[<img src="https://lautung.com/plugins/feed/assets/telemetry.gif?title=Agent%20%E6%80%8E%E4%B9%88%E5%81%9C%E3%80%81%E6%80%8E%E4%B9%88%E5%9B%9E%E6%94%BE%EF%BC%9A%E5%8F%96%E6%B6%88%E3%80%81%E9%A2%84%E7%AE%97%E5%92%8C%20trace&amp;url=/archives/agent-stop-logging" width="1" height="1" alt="" style="opacity:0;">文章探讨模型调用取消机制的关键要点。停止条件包括步数耗尽、墙钟超时、token预算打满、工具连续失败或用户取消。必须通过run_id追踪调用并优先中断后续步骤，已执行副作用需通过补偿或确认回滚，避免隐式吞取消 demands导致日志欺诈。日志需完整记录输入、工具调用参数、观察结果、停止原因及耗时费用，按trace_id将多步调用串联整合。该机制设计使系统能清晰回溯问题环节，实现安全边界与响应性的平衡，减少非预期返回率并提升事务可审计性。读者可掌握取消场景下的调用跟踪规范和全量日志构造标准，兼顾用户体验与系统可靠性。]]></description><guid isPermaLink="false">/archives/agent-stop-logging</guid><dc:creator>LTT</dc:creator><enclosure url="https://lautung.com/apis/api.storage.halo.run/v1alpha1/thumbnails/-/via-uri?uri=%2Fupload%2Fzhcover-01a004d4-f4a4-70cc-82fb-eefd335b6d0c.jpg&amp;size=m" type="image/jpeg" length="28039"/><category>AI Agent</category><pubDate>Thu, 10 Sep 2026 07:16:57 GMT</pubDate></item><item><title><![CDATA[Multi-Agent 什么时候才该上：角色边界、编排和验收]]></title><link>https://lautung.com/archives/agent-multi-agent</link><description><![CDATA[<img src="https://lautung.com/plugins/feed/assets/telemetry.gif?title=Multi-Agent%20%E4%BB%80%E4%B9%88%E6%97%B6%E5%80%99%E6%89%8D%E8%AF%A5%E4%B8%8A%EF%BC%9A%E8%A7%92%E8%89%B2%E8%BE%B9%E7%95%8C%E3%80%81%E7%BC%96%E6%8E%92%E5%92%8C%E9%AA%8C%E6%94%B6&amp;url=/archives/agent-multi-agent" width="1" height="1" alt="" style="opacity:0;">多Agent系统需满足两个核心条件：单Agent加工具可完成时禁用多Agent以规避失败模式增量，或需实现专业角色并行协作及任务执行-校验流程解耦。拆分方式包括主从调度、对等协作和共享黑板三种架构，要求明确分工角色（规划、检索、执行、校验）并保证通信可观测性及状态可回溯性。评估重点转向任务完成率、协作轮次与工具调用失败率，取代单轮正确率测量。原标题为"Multi-Agent"的独立短稿内容已整合至本文，强化了协作机制实施标准。该框架为有限上下文窗口环境下，通过外置长记忆与片段化知识注入提升决策质量，同时控制多Agent系统复杂度提供了系统化方案。]]></description><guid isPermaLink="false">/archives/agent-multi-agent</guid><dc:creator>LTT</dc:creator><enclosure url="https://lautung.com/apis/api.storage.halo.run/v1alpha1/thumbnails/-/via-uri?uri=%2Fupload%2Fzhcover-01a009c4-377c-74cd-ab61-02d164400cce.jpg&amp;size=m" type="image/jpeg" length="28938"/><category>AI Agent</category><pubDate>Thu, 10 Sep 2026 07:16:55 GMT</pubDate></item><item><title><![CDATA[Agent 循环怎么选：ReAct、先规划再执行与反思]]></title><link>https://lautung.com/archives/agent-design-patterns</link><description><![CDATA[<img src="https://lautung.com/plugins/feed/assets/telemetry.gif?title=Agent%20%E5%BE%AA%E7%8E%AF%E6%80%8E%E4%B9%88%E9%80%89%EF%BC%9AReAct%E3%80%81%E5%85%88%E8%A7%84%E5%88%92%E5%86%8D%E6%89%A7%E8%A1%8C%E4%B8%8E%E5%8F%8D%E6%80%9D&amp;url=/archives/agent-design-patterns" width="1" height="1" alt="" style="opacity:0;">Agent核心架构为"推理-行动"循环，需前置规划框架再沉积工具。主流范式存在差异：ReAct采用动态推理但存在误差累积风险；Plan-and-Execute通过事前计划与事中核验实现可控循环；Reflection/Reflexion系双阶段架构，后者具备失败归因机制可直接优化。部署需遵循梯度：单Agent集成工具白名单跑通基础循环，再逐步添加终止条件和全链日志，最后过渡到多Agent协作环境。需注意思维链CoT/ToT/GoT属于能力扩展组件，与循环结构无必然关联；(token消耗与执行效率)需同步评估不同框架的token开销。]]></description><guid isPermaLink="false">/archives/agent-design-patterns</guid><dc:creator>LTT</dc:creator><enclosure url="https://lautung.com/apis/api.storage.halo.run/v1alpha1/thumbnails/-/via-uri?uri=%2Fupload%2Fzhcover-01a004f9-2c4b-77d8-bed9-71842d86f6a0.jpg&amp;size=m" type="image/jpeg" length="28624"/><category>AI Agent</category><pubDate>Thu, 10 Sep 2026 07:16:55 GMT</pubDate></item><item><title><![CDATA[Agent 上下文撑不住怎么办：窗口、外置检索和衰减]]></title><link>https://lautung.com/archives/agent-memory-context</link><description><![CDATA[<img src="https://lautung.com/plugins/feed/assets/telemetry.gif?title=Agent%20%E4%B8%8A%E4%B8%8B%E6%96%87%E6%92%91%E4%B8%8D%E4%BD%8F%E6%80%8E%E4%B9%88%E5%8A%9E%EF%BC%9A%E7%AA%97%E5%8F%A3%E3%80%81%E5%A4%96%E7%BD%AE%E6%A3%80%E7%B4%A2%E5%92%8C%E8%A1%B0%E5%87%8F&amp;url=/archives/agent-memory-context" width="1" height="1" alt="" style="opacity:0;">文章探讨记忆管理机制与信息压缩技术，区分感知记忆（当前输入）、短期记忆（窗口内对话工具结果）、长期记忆（外部库召回）和实体记忆（结构化事实）四类要素。工作记忆三类标签需按实际参数（是否进窗口/可检索/可过期）进行差异化管理。信息压缩采用三点策略：滑动窗口替换最旧轮次仅保留提示和最新工具结果，通过摘要压缩将中间过程抽象为决策卡片存入长期记忆，实施重要性过滤聚焦当前目标实体。系统建议定期合并过期或冲突记忆，并明确区分上下文管理服务与RAG知识库服务，推荐采用Mem0、Letta、Zep/Graphiti等现成组件以避免架构混淆，最终形成高密度、低冗余的上下文管理体系，提升工作记忆运行效率。]]></description><guid isPermaLink="false">/archives/agent-memory-context</guid><dc:creator>LTT</dc:creator><enclosure url="https://lautung.com/apis/api.storage.halo.run/v1alpha1/thumbnails/-/via-uri?uri=%2Fupload%2Fzhcover-019f3482-3407-779b-a31c-34b0b9d68313.jpg&amp;size=m" type="image/jpeg" length="28861"/><category>AI Agent</category><pubDate>Thu, 10 Sep 2026 07:16:54 GMT</pubDate></item><item><title><![CDATA[AgentScope 2.0：从第一个 Agent 到工具调用]]></title><link>https://lautung.com/archives/agentscope-2.0-%E5%BF%AB%E9%80%9F%E5%85%A5%E9%97%A8</link><description><![CDATA[<img src="https://lautung.com/plugins/feed/assets/telemetry.gif?title=AgentScope%202.0%EF%BC%9A%E4%BB%8E%E7%AC%AC%E4%B8%80%E4%B8%AA%20Agent%20%E5%88%B0%E5%B7%A5%E5%85%B7%E8%B0%83%E7%94%A8&amp;url=/archives/agentscope-2.0-%E5%BF%AB%E9%80%9F%E5%85%A5%E9%97%A8" width="1" height="1" alt="" style="opacity:0;">AgentScope 2.0 是围绕 Agent 推理-行动循环构建的开源框架，提供全栈工业级工具链，涵盖模型调用、工具注册、上下文管理、权限控制及服务化能力，支持 Python 与 Java 生态。核心设计将 Agent 规模化为系统提示、模型、工具库、运行循环等模块，强调工程边界而非仅工具调用。2.0 版本需 Python 3.11+ 和 uv环境，内置 Qwen、OpenAI等模型支持，工具类型包括代码函数（需明确类型注解）、内置脚本（如 Shell、文件读写）、MCP 工具及自定义 Skill。安全机制需分层处理：权限判断（Middleware）隔离高风险操作，Sandbox 环境约束执行权限；工具调用需严格定义参数 Schema 以避免误用，如避免 `run(data)` 而规范为 `get_order_status(order_id: str)`。学习路径需循序渐进，从基础 Agent 到复杂功能（Context/RAG/Memory/Middleware）逐步扩展，避免误用多 Agent架构。对比 LangGraph（强图编排）和 Java AgentScope（企业服务集成），其优势在于完整封装 Agent 过程中的工具调用、权限校验及运行时状态管理，适合需安全边界和扩展性的场景。生产环境需通过 Sandboxed 工作空间隔离执行权，并利用 Middleware 统一日志、状态监控等横切逻辑。]]></description><guid isPermaLink="false">/archives/agentscope-2.0-%E5%BF%AB%E9%80%9F%E5%85%A5%E9%97%A8</guid><dc:creator>LTT</dc:creator><enclosure url="https://lautung.com/apis/api.storage.halo.run/v1alpha1/thumbnails/-/via-uri?uri=%2Fupload%2Fzhcover-019fff24-1fbf-70b8-8d24-758360c6a86f.jpg&amp;size=m" type="image/jpeg" length="27745"/><category>AI Agent</category><pubDate>Fri, 14 Aug 2026 07:19:46 GMT</pubDate></item></channel></rss>