2026 全新改版补充新一代协议、推理框架落地痛点梳理从入门到商业化落地全链路小白、后端程序员可跟着落地项目本文全方位复盘 AI Agent 由传统人工智能迈向自主智能体的完整发展脉络重构技术演进逻辑逐层拆解智能体底层架构、主流开发框架选型方案与落地踩坑经验聚焦当下企业刚需的数智原生架构、全域数据治理、AI 安全风控护栏三大核心落地要素详解业务需求拆解→智能体产品落地全流程方法论。结合多年金融数字化一线落地经验点明企业落地 AI 智能体必备的产品设计、大模型能力、工程落地三大核心素养搭配真实行业落地案例帮助开发者打通从理论概念到商用产品的落地闭环为金融、政企等行业智能化转型提供可复用落地方案。一、AI时代的数智生态首先从总体上与大家分享 AI时代的数智生态AI时代是最近倡导的 AI行动的一个非常重要的组成部分我们在 AI时代要倡导的几个方向。1、AI时代数智燎原的商业机遇与技术进步在AI时代的数智· 燎原趋势之下商业机遇和技术进步有哪些左边是 Gartner 发布的 2025 AI 技术相关的生命周期如图所示AI Agent 正处于技术顶峰其在国内已涌现了大量的框架和产品落地。根据 Gartner 的预测AI Agent 将在未来 2-5 年进入瓶颈期和稳定期所以现阶段应该是其发展的关键窗口期。右边展示的是技术演进的研究绿色的模型逐渐向红色 Autonomous Agents 方向发展它是一个慢思考的过程。随着今年年初推理大模型的兴起大模型从单一的能力逐渐转化为智能体方向它有很强的推理能力、工具调用能力也能生成很强的企业级应用。2、AI时代从传统 AI 到 Agent AI 的方法进化从传统 AI 到 Agentic AI 方法经历四个阶段四个阶段分为三大部分传统方法2000-2010 年以传统机器学习模型或 NLU/NLP 方法构建模型直到从传统方法扩展到深度学习构建的神经网络用各种方法训练神经网络在数据集上达到完美的效果后推出第二部分。大语言模型自2022年 ChatGPT 发布以来大模型技术路径从预训练微调扩展到上下文学习并推动了 Few-Shot 及 Zero-Shot 学习方式普及。企业无需在从头设计复杂的神经网络结构也不需要有太多的训练数据。通过上下文提示词就能理解需求产生相关的应用。Agent函数调用随着大模型推理能力增强可以用 Agent Function Calling 的方法构建出我们自己的这种能力所以就到了最后一个阶段从传统的 AI 到深度学习阶段再到 Agentic AI 的智能体化的 AI 方向。3、AI时代AI 数智化技术生态在 AI 数智化的技术生态我将它归结为四个阶段第一就是任何用户都可以使用 ChatGPT、豆包、 DeepSeek通过提示词工程提出问题上手的门槛非常低交互也极为便捷。第二种是智能体我们构建智能体侧重于人机协同 Human-in-the-loop的交互可应用于智能客服、推荐系统及各类企业级运维应用。后面两种方法分别是大模型微调和预训练它们从数据层面更深入地影响模型技术门槛和前期投入也更高。在这四个技术阶段中今天重点探讨第二阶段也是应用最广泛、各个企业落地效果最为明显的过程 — AI Agents。4、AI时代AI Agent 进化方向我将 AI Agent 的进化归结为五个方向一是基于规则的 Automation。以 2010 年前后兴起的 RPA 机器人流程自动化技术为代表。我曾在一家股份制商业银行从事 RPA 机器人平台的构建和运营基于规则的自动化用 RPA 机器人实现了很多单一流程局限在于它无法完成一些自适应工作或智能化程度不足。二是智能化 intelligence 阶段将基础模型和架构引入进这个过程并对架构做了一些改造将模型能力做了一个台阶。这个阶段局限在于模型的能力有限且数据可能有不足或质量不高。三是 Agentic Workflow我觉得这是当前最重要的阶段我们通过智能体方法补全模型能力利用模型之长补模型之短从而构建企业内部的智能体用一个 Workflow 方法将工作流串联起来。第四阶段和第五阶段是半自动化和全自动化。从行业咨询和企业内部的分析来看大部分金融类公司应该处于第三阶段就是 Agentic Workflow 逐渐向全自动化的方向发展。大家可以看到就是自动化程度越高构建成本也越高陡坡就越陡对技术架构、技术生态产生了很大的影响。如何在一个企业中有效地构建这一路径就是今天要讨论重点议题。5、AI Agent 技术进化工作流 Agent - 推理 Agent - MAS 系统AI Agent 的进化过程简单将它分成了三个阶段从 2024 年开始构建 Agentic Workflow形成了工作流的 Agent。如果大家从事过提示词工程或大语言模型的工作就会发现有相当一部分工作是在写提示词现在也是。提示词工程喜欢用一句 Step-by-step 来描述因为当时大语言模型上下文能力是不足的推理能力还需激活所以在 2024 年构建 Agent 方向更多是工作流式的。2025 年随着模型推理能力的进一步提升及强化学习技术的推动推理 Agent 逐渐结合了模型和对应工具的 Function Calling 能力包括 2025 年推出的很多协议将工具调用能力提上了一个很高的水平工具调用能力和准确度越来越强同时更加标准化数据传输格式也有了新发展。从现在趋势来看未来应该是 Multi Agents 方向即智能体之间是有明确分工的相互协作就像人类在团队和组织中也有明确的分工而且更加能够有规划的任务发挥充分发挥人机协同的最大效率让人和机器之间的协同度更高这是我对于 AI agent 技术进化的一个思考。二、AI Agent 早期技术这一部分将从两个时间点 23-2424-25年简单梳理一下 AI Agent 技术演进的部分内容以时间线方式展示给大家。1、Agent 开发初期技术栈23-24年Agent 技术栈主要分为底层模型、上层开发框架、引出的核心能力及 AI Agent 场景。很明显底层模型具有多样性任何模型的 Function Calling 能力不一样既有国内也有国外开源和闭源。核心能力是通过开源框架和模型结合产生的能力核心能力在框架里都有相关的封装。2、AI Agent 基本框架AI Agent 框架的核心架构通常分为四块规划Plan、记忆Memory、工具Tools与行动Action。其运作机制是以大模型作为核心规划器Plan凭借记忆模块提供的上下文进行决策并通过调用外部工具来扩展能力边界行动之后其结果反馈给大模型。这个过程中可以用提示词进行设计和串联。3、AI Agent 设计范式随着 AI Agent 的发展和应用可以总结出很多范式。第一种是 Single Agent。后来根据企业内部的工作流程发展成 Agentic Workflow Agent 逐渐嵌入到企业级的工作流中通过工作流完成相关的工作达到一个智能交互的作用。第三种是 Multi-Agent System即 MERS。多智能体之间可以相互赋予角色之间的协同。这是现阶段大体上 AI Agents 方向上的三类设计范式。在构建企业级 Agent 时第一步是考虑哪种范式来解决问题选一个框架、模型生成自己的应用系统。这三部分就是我们的 Design Pattern集成内部的工具最后去做评估Evaluation。4、Single Agents 示例Single Agent 在 2023 年相对是火的我们使用 Single Agent 构建了销售咨询的 Chatbot 系统。记得带领团队研发 Chatbot 时还没有很多 Workflow 框架可以用更多是 Python 代码结合工作经验来开发智能对话机器人。智能 AI 机器人与基于传统机器学习方法不同更多结合大模型能力使用提示词工程并调用工具而且要做好一些校验工作才能将 Chatbot 对话机器人能力发挥到极致。5、Agent 经典范式2022 年一篇论文提出了 ReAct 模式该模式将大语言模型内在推理能力与对外部环境的交互相结合。具体而言模型在完成任务时会动态生成思维链用于自主推理并根据推理结果主动调用外部工具或执行行动。行动产生的结果会作为关键观察信息反馈给模型进而更新并引导其后续的思维链形成“推理 → 行动 → 观察 → 再推理”的增强型决策循环。ReAct 模式在 23 年也是非常火热的落地了很多相关框架。6、Multi-Agent System另外值得注意的范式是 23 年出现的斯坦福大学虚拟小镇 Multi Agent System 案例。小镇通过虚拟多个 Agent 相互协作来完成工作。但在 23 年Agent 之间如何进行标准协作能力仍待完善每个 Agent 后面相对应都是一个大语模型对于 TOKEN 的算力消耗是十分巨大的运行起来的代价也是巨大的。7、自主规划 Agent 的持续进化从 23 年起Plan-and-Executor 范式逐渐兴起其核心是通过提示词引导模型对任务进行规划再分步执行并根据每步结果反馈到大模型以动态优化执行过程。到 25 年 Routine 范式出现。这种范式将 Planning 生成了一个模型通过模型的方法更进一步的去固化 Routine 方法让 Routine 过程更加标准化。同时我对输出的结果进行了一些外部工具的调用进行校验这是大体上的两篇论文提到的一个自主规划智能体的智持续进化的过程。8、自主规划 Agent 典型示例AutoGPT23 年自主规划智能体或叫这种类型的智能体的一个典型的范式就是 AutoGPTAutoGPT 及后来的 MetaGPT 和 BabyAGI 是最早开始用规划-执行-反馈的方法就是说如何让规划执行的准确性更高然后让这种方式逐步落地。23 年年底也逐渐被一些框架集成形成一个典型的示例用例的范式现在这个开源项目也在持续的维护中。9、LangChain 技术生态兴起另外一个情况是从 2022 年底到 23 年LangChain 技术生态逐渐兴起。之前很多传统的机器学习和深度学习框架更多基于 Python。而 LangChain 生态的兴起做了一个很好的补充尤其是为企业级 Agent 开发做了很好的项目搭建集成了很多工具调用能力符合了很多 Chain 方法将提示词模型和输出进行了连接。这个过程中也定义了自己的协议。它将一些服务化能力集成进来形成了 LangServe 和 LangSmith 的开发者的平台和监控的过程。10、LangChain 的模块化设计与生态基础设施LangChain 采用模块化设计具备开箱即用的特性。其生态建设在 2023年逐渐完善至 2024年已基本上达到可在企业内部适用。然而在 2025年实际应用中也暴露出一些问题稍后与大家分享。11、Agent 开发框架LangChain 与 LangGraph2024年的7月LangChain 社区推出了 LangGraph。LangGraph 是从 Single Agent 逐渐进化为 Agentic Workflow 方式。为了更好的支撑工作流它采用有向状态图建模执行流将多个 Agent 串联起来。12、Agent 开发框架LIamaIndex最后涉及到的开发框架是 LLAMA Index与 LangChain 相比集成度更高尤其对于数据处理工作流自动的做了集成包括连接器和结构化工具。13、模型推理加速持续进化Ollama-vLLM-SGLang-?大模型在企业应用中面临运行成本高昂的挑战因此推理加速成为关键。以 Ollama 项目为起点后逐渐衍生出 vLLM 和 SGLang 等框架这些框架通过对模型进行高效的量化与推理加速为企业级 Agent 落地奠定了基础。三、AI Agent 新生技术随着推理模型能力越来越强平台层面逐渐出现了低代码Lowcode 工具这是 25 年新生技术里最重要的指标。1、Dify 一站式智能体研发解决方案Dify 作为一站式解决框架是这方面的代表。企业内部现在用的也比较多它基于开源框架可以进行二次开发。2、LangChain 和 Dify 的两种选择LangChain 和 Dify 该如何做选择作为企业架构师一般两者都要选择。使用 Dify 更强调的是原型与 MVP 阶段的验证。LangChain 对于模块化、结构化产品平台落地有很大的效果。3、AI Agent 交互协议的兴起24 年底到 25 年AI Agent 交互协议逐渐兴起Agents 与工具之间、Agents 之间出现了很多标准化交互协议进一步完善了 AI Agent 技术生态。3.1、MCP 协议的主要组成其中最关键是 MCP 协议它解决了模型间 Function Calling 能力参差不齐、缺乏标准化的问题。在此过程中可以构建众多 MCP Server尤其对于外部系统其设计很大程度参考了早期互联网中 Web Service 的方式以此构建 MCP 协议及 MCP Server 的实现路径。3.2、A2A 协议不同 Agent 之间架起的桥梁A2A 协议是在不同技术架构的 Agent 之间建立桥梁。大家都知道国内的 Agent 有不同的技术架构国外的 Agent 开发框架也有不同的技术架构。它们两者之间如何去通信更多的是基于 A2A 协议或者是有更新的协议那么它们如果能通信的话那么对于企业之间或企业内部的不同的功能之间的这种相互通信建立一个很好的桥梁。4、下一代 AI 核心上下文工程下一代 AI 的核心在 25 年的时候提到了就是上下文工程那么到底是微调还是上下文工程是我们最重要的一个关键指标就是用上下文工程解决了大部分的问题然后用微调解决小部分的问题。这个在企业内部实践当中我一会展开再跟大家具体的聊一下。四、AI Agent 企业级研发实践最后一部分将探讨企业级 AI Agent 在金融行业的研发实践并从金融架构师的角度提出若干核心建议。1、企业级研发设计思维的进化企业级研发的设计思维从最早的面向对象到面向服务的 SOA 架构再到微服务架构持续演进。直到去年以来兴起的智能体架构标志着从信息化、数字化到智能化的深刻转变。智能体架构的引入不仅带来了全新的模型与智能化能力还因其需要调用外部工具并建立新的通信协议从而催生并推动了新架构思维的发展。2、数智原生化架构在金融企业落地较多的是数智原生化架构这种架构是基于分层的思想是将“数”DataOps 和“智”LLMOps结合在一起在基础模型、数智化模型和 Agent 基础上做一个分层。基于这个架构实现出了数智原生架构的企业级要素和架构大体上分为五个层次五个层次之间用协议互联。数据数据知识智模型本身的工具抽象出工具层协议工具和模型之间的通信采用 MCP 协议Agent 之间采用 A2A 协议在这个基础上能够更好分层协议沉淀原子能力。3、企业数据治理企业级 Agent 研发有两点不可忽视第一数据治理仍是基础。从参与过金融企业 AI 项目来看尤其在架构设计层面数据始终是关键要素。数据的层次有很多可以考虑五点。我们采用 FastAPI 网关封装出数据网关通过该网关将 SQL、文档、缓存、向量及图数据进行相关整合使每类数据均可清晰表示与调用。在这个过程中我们也对加密存储、脱敏和安全输出做了管控右边是架构图。4、企业级“护栏”第二个重点是“护栏”。风控是金融企业的核心。风控过程中最主要是建立输入和输出的护栏。如上图右侧所示绿色表示金融企业构建智能体平台需要建立的输入和输出护栏。输入护栏既可以是模型也可以是白名单过程同时也可以建一些工作流进行人工二次抽检。5、四个底线和三层治理最后展示的在金融行业 Agent 企业研发中的四个底线和三层治理。安全与治理对于金融公司的 Agent 企业架构相当重要。三层治理架构解析如下任务解析当用户输入需求后首先进行意图识别、任务分解与护栏验证规划分层通过工作流引擎将已验证的任务步骤串联为可执行的规划执行优化对执行过程与输出结果进行管控和优化该治理架构可结合工作流、模型、提示词工程及企业内部 API 协同实现从而系统化保障 Agent 在金融场景中的安全、合规与可控。6、“从用户出发”的产品能力大模型能力AI 工程化企业级研发能力到底是什么从架构师视角看是从用户出发的产品能力大模型能力 AI 工程化能力。当我们接到了一个 AI Agent 的需求后第一步不是直接对模型选型而是从用户价值出发对具体场景、产品目标与能力要求进行拆解明确哪些部分适合由 AI 实现哪些应沿用传统方法。这应是企业级 Agent 研发首要思考步骤。7、AI 工程化不能只有大模型能力企业级 AI Agent 研发实践绝非仅依赖模型或 AI 技术更需要完善子系统的支撑。其中对话引擎和意图识别尤为关键。意图识别广泛应用对话机器人、推荐系统、AI 应用乃至智能运维场景。它能够精准定位并拆解具体问题有效弥补当前大语言模型在专业场景下通用能力的不足。8、落地中的角色在企业级 Agent 落地过程中非技术层面的角色分工与协作同样重要。我们建立的全栈式团队协作——例如我当前和以前金融公司的 AI 团队均采用这种模式。团队中每个成员都是全栈图谱中的点将这些节点结合在一起就能实现 1 1 1 ∞ 的效应。9、企业级 Agent 需求层次构建数智化原生企业应用其需求应遵循漏斗状过程。主要将其归纳为概念论证、定义原型到产品化三个过程相辅相成。最重要的定义原型阶段。对于原型定义我们通常会用一到两个月通过 AI 或 Agent 进行快速验证。若验证成功我们则用半年到一年时间将其产品化。已在多个场景中得到应用包括保险经纪公司对话机器人、互联网金融公司的推荐系统以及后续 AIOps 运营平台均取得了较好实践效果。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2025 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取
AI Agent 全栈落地精讲：从技术演进到金融企业级实战，零基础程序员转行必看
发布时间：2026/6/5 4:18:49
2026 全新改版补充新一代协议、推理框架落地痛点梳理从入门到商业化落地全链路小白、后端程序员可跟着落地项目本文全方位复盘 AI Agent 由传统人工智能迈向自主智能体的完整发展脉络重构技术演进逻辑逐层拆解智能体底层架构、主流开发框架选型方案与落地踩坑经验聚焦当下企业刚需的数智原生架构、全域数据治理、AI 安全风控护栏三大核心落地要素详解业务需求拆解→智能体产品落地全流程方法论。结合多年金融数字化一线落地经验点明企业落地 AI 智能体必备的产品设计、大模型能力、工程落地三大核心素养搭配真实行业落地案例帮助开发者打通从理论概念到商用产品的落地闭环为金融、政企等行业智能化转型提供可复用落地方案。一、AI时代的数智生态首先从总体上与大家分享 AI时代的数智生态AI时代是最近倡导的 AI行动的一个非常重要的组成部分我们在 AI时代要倡导的几个方向。1、AI时代数智燎原的商业机遇与技术进步在AI时代的数智· 燎原趋势之下商业机遇和技术进步有哪些左边是 Gartner 发布的 2025 AI 技术相关的生命周期如图所示AI Agent 正处于技术顶峰其在国内已涌现了大量的框架和产品落地。根据 Gartner 的预测AI Agent 将在未来 2-5 年进入瓶颈期和稳定期所以现阶段应该是其发展的关键窗口期。右边展示的是技术演进的研究绿色的模型逐渐向红色 Autonomous Agents 方向发展它是一个慢思考的过程。随着今年年初推理大模型的兴起大模型从单一的能力逐渐转化为智能体方向它有很强的推理能力、工具调用能力也能生成很强的企业级应用。2、AI时代从传统 AI 到 Agent AI 的方法进化从传统 AI 到 Agentic AI 方法经历四个阶段四个阶段分为三大部分传统方法2000-2010 年以传统机器学习模型或 NLU/NLP 方法构建模型直到从传统方法扩展到深度学习构建的神经网络用各种方法训练神经网络在数据集上达到完美的效果后推出第二部分。大语言模型自2022年 ChatGPT 发布以来大模型技术路径从预训练微调扩展到上下文学习并推动了 Few-Shot 及 Zero-Shot 学习方式普及。企业无需在从头设计复杂的神经网络结构也不需要有太多的训练数据。通过上下文提示词就能理解需求产生相关的应用。Agent函数调用随着大模型推理能力增强可以用 Agent Function Calling 的方法构建出我们自己的这种能力所以就到了最后一个阶段从传统的 AI 到深度学习阶段再到 Agentic AI 的智能体化的 AI 方向。3、AI时代AI 数智化技术生态在 AI 数智化的技术生态我将它归结为四个阶段第一就是任何用户都可以使用 ChatGPT、豆包、 DeepSeek通过提示词工程提出问题上手的门槛非常低交互也极为便捷。第二种是智能体我们构建智能体侧重于人机协同 Human-in-the-loop的交互可应用于智能客服、推荐系统及各类企业级运维应用。后面两种方法分别是大模型微调和预训练它们从数据层面更深入地影响模型技术门槛和前期投入也更高。在这四个技术阶段中今天重点探讨第二阶段也是应用最广泛、各个企业落地效果最为明显的过程 — AI Agents。4、AI时代AI Agent 进化方向我将 AI Agent 的进化归结为五个方向一是基于规则的 Automation。以 2010 年前后兴起的 RPA 机器人流程自动化技术为代表。我曾在一家股份制商业银行从事 RPA 机器人平台的构建和运营基于规则的自动化用 RPA 机器人实现了很多单一流程局限在于它无法完成一些自适应工作或智能化程度不足。二是智能化 intelligence 阶段将基础模型和架构引入进这个过程并对架构做了一些改造将模型能力做了一个台阶。这个阶段局限在于模型的能力有限且数据可能有不足或质量不高。三是 Agentic Workflow我觉得这是当前最重要的阶段我们通过智能体方法补全模型能力利用模型之长补模型之短从而构建企业内部的智能体用一个 Workflow 方法将工作流串联起来。第四阶段和第五阶段是半自动化和全自动化。从行业咨询和企业内部的分析来看大部分金融类公司应该处于第三阶段就是 Agentic Workflow 逐渐向全自动化的方向发展。大家可以看到就是自动化程度越高构建成本也越高陡坡就越陡对技术架构、技术生态产生了很大的影响。如何在一个企业中有效地构建这一路径就是今天要讨论重点议题。5、AI Agent 技术进化工作流 Agent - 推理 Agent - MAS 系统AI Agent 的进化过程简单将它分成了三个阶段从 2024 年开始构建 Agentic Workflow形成了工作流的 Agent。如果大家从事过提示词工程或大语言模型的工作就会发现有相当一部分工作是在写提示词现在也是。提示词工程喜欢用一句 Step-by-step 来描述因为当时大语言模型上下文能力是不足的推理能力还需激活所以在 2024 年构建 Agent 方向更多是工作流式的。2025 年随着模型推理能力的进一步提升及强化学习技术的推动推理 Agent 逐渐结合了模型和对应工具的 Function Calling 能力包括 2025 年推出的很多协议将工具调用能力提上了一个很高的水平工具调用能力和准确度越来越强同时更加标准化数据传输格式也有了新发展。从现在趋势来看未来应该是 Multi Agents 方向即智能体之间是有明确分工的相互协作就像人类在团队和组织中也有明确的分工而且更加能够有规划的任务发挥充分发挥人机协同的最大效率让人和机器之间的协同度更高这是我对于 AI agent 技术进化的一个思考。二、AI Agent 早期技术这一部分将从两个时间点 23-2424-25年简单梳理一下 AI Agent 技术演进的部分内容以时间线方式展示给大家。1、Agent 开发初期技术栈23-24年Agent 技术栈主要分为底层模型、上层开发框架、引出的核心能力及 AI Agent 场景。很明显底层模型具有多样性任何模型的 Function Calling 能力不一样既有国内也有国外开源和闭源。核心能力是通过开源框架和模型结合产生的能力核心能力在框架里都有相关的封装。2、AI Agent 基本框架AI Agent 框架的核心架构通常分为四块规划Plan、记忆Memory、工具Tools与行动Action。其运作机制是以大模型作为核心规划器Plan凭借记忆模块提供的上下文进行决策并通过调用外部工具来扩展能力边界行动之后其结果反馈给大模型。这个过程中可以用提示词进行设计和串联。3、AI Agent 设计范式随着 AI Agent 的发展和应用可以总结出很多范式。第一种是 Single Agent。后来根据企业内部的工作流程发展成 Agentic Workflow Agent 逐渐嵌入到企业级的工作流中通过工作流完成相关的工作达到一个智能交互的作用。第三种是 Multi-Agent System即 MERS。多智能体之间可以相互赋予角色之间的协同。这是现阶段大体上 AI Agents 方向上的三类设计范式。在构建企业级 Agent 时第一步是考虑哪种范式来解决问题选一个框架、模型生成自己的应用系统。这三部分就是我们的 Design Pattern集成内部的工具最后去做评估Evaluation。4、Single Agents 示例Single Agent 在 2023 年相对是火的我们使用 Single Agent 构建了销售咨询的 Chatbot 系统。记得带领团队研发 Chatbot 时还没有很多 Workflow 框架可以用更多是 Python 代码结合工作经验来开发智能对话机器人。智能 AI 机器人与基于传统机器学习方法不同更多结合大模型能力使用提示词工程并调用工具而且要做好一些校验工作才能将 Chatbot 对话机器人能力发挥到极致。5、Agent 经典范式2022 年一篇论文提出了 ReAct 模式该模式将大语言模型内在推理能力与对外部环境的交互相结合。具体而言模型在完成任务时会动态生成思维链用于自主推理并根据推理结果主动调用外部工具或执行行动。行动产生的结果会作为关键观察信息反馈给模型进而更新并引导其后续的思维链形成“推理 → 行动 → 观察 → 再推理”的增强型决策循环。ReAct 模式在 23 年也是非常火热的落地了很多相关框架。6、Multi-Agent System另外值得注意的范式是 23 年出现的斯坦福大学虚拟小镇 Multi Agent System 案例。小镇通过虚拟多个 Agent 相互协作来完成工作。但在 23 年Agent 之间如何进行标准协作能力仍待完善每个 Agent 后面相对应都是一个大语模型对于 TOKEN 的算力消耗是十分巨大的运行起来的代价也是巨大的。7、自主规划 Agent 的持续进化从 23 年起Plan-and-Executor 范式逐渐兴起其核心是通过提示词引导模型对任务进行规划再分步执行并根据每步结果反馈到大模型以动态优化执行过程。到 25 年 Routine 范式出现。这种范式将 Planning 生成了一个模型通过模型的方法更进一步的去固化 Routine 方法让 Routine 过程更加标准化。同时我对输出的结果进行了一些外部工具的调用进行校验这是大体上的两篇论文提到的一个自主规划智能体的智持续进化的过程。8、自主规划 Agent 典型示例AutoGPT23 年自主规划智能体或叫这种类型的智能体的一个典型的范式就是 AutoGPTAutoGPT 及后来的 MetaGPT 和 BabyAGI 是最早开始用规划-执行-反馈的方法就是说如何让规划执行的准确性更高然后让这种方式逐步落地。23 年年底也逐渐被一些框架集成形成一个典型的示例用例的范式现在这个开源项目也在持续的维护中。9、LangChain 技术生态兴起另外一个情况是从 2022 年底到 23 年LangChain 技术生态逐渐兴起。之前很多传统的机器学习和深度学习框架更多基于 Python。而 LangChain 生态的兴起做了一个很好的补充尤其是为企业级 Agent 开发做了很好的项目搭建集成了很多工具调用能力符合了很多 Chain 方法将提示词模型和输出进行了连接。这个过程中也定义了自己的协议。它将一些服务化能力集成进来形成了 LangServe 和 LangSmith 的开发者的平台和监控的过程。10、LangChain 的模块化设计与生态基础设施LangChain 采用模块化设计具备开箱即用的特性。其生态建设在 2023年逐渐完善至 2024年已基本上达到可在企业内部适用。然而在 2025年实际应用中也暴露出一些问题稍后与大家分享。11、Agent 开发框架LangChain 与 LangGraph2024年的7月LangChain 社区推出了 LangGraph。LangGraph 是从 Single Agent 逐渐进化为 Agentic Workflow 方式。为了更好的支撑工作流它采用有向状态图建模执行流将多个 Agent 串联起来。12、Agent 开发框架LIamaIndex最后涉及到的开发框架是 LLAMA Index与 LangChain 相比集成度更高尤其对于数据处理工作流自动的做了集成包括连接器和结构化工具。13、模型推理加速持续进化Ollama-vLLM-SGLang-?大模型在企业应用中面临运行成本高昂的挑战因此推理加速成为关键。以 Ollama 项目为起点后逐渐衍生出 vLLM 和 SGLang 等框架这些框架通过对模型进行高效的量化与推理加速为企业级 Agent 落地奠定了基础。三、AI Agent 新生技术随着推理模型能力越来越强平台层面逐渐出现了低代码Lowcode 工具这是 25 年新生技术里最重要的指标。1、Dify 一站式智能体研发解决方案Dify 作为一站式解决框架是这方面的代表。企业内部现在用的也比较多它基于开源框架可以进行二次开发。2、LangChain 和 Dify 的两种选择LangChain 和 Dify 该如何做选择作为企业架构师一般两者都要选择。使用 Dify 更强调的是原型与 MVP 阶段的验证。LangChain 对于模块化、结构化产品平台落地有很大的效果。3、AI Agent 交互协议的兴起24 年底到 25 年AI Agent 交互协议逐渐兴起Agents 与工具之间、Agents 之间出现了很多标准化交互协议进一步完善了 AI Agent 技术生态。3.1、MCP 协议的主要组成其中最关键是 MCP 协议它解决了模型间 Function Calling 能力参差不齐、缺乏标准化的问题。在此过程中可以构建众多 MCP Server尤其对于外部系统其设计很大程度参考了早期互联网中 Web Service 的方式以此构建 MCP 协议及 MCP Server 的实现路径。3.2、A2A 协议不同 Agent 之间架起的桥梁A2A 协议是在不同技术架构的 Agent 之间建立桥梁。大家都知道国内的 Agent 有不同的技术架构国外的 Agent 开发框架也有不同的技术架构。它们两者之间如何去通信更多的是基于 A2A 协议或者是有更新的协议那么它们如果能通信的话那么对于企业之间或企业内部的不同的功能之间的这种相互通信建立一个很好的桥梁。4、下一代 AI 核心上下文工程下一代 AI 的核心在 25 年的时候提到了就是上下文工程那么到底是微调还是上下文工程是我们最重要的一个关键指标就是用上下文工程解决了大部分的问题然后用微调解决小部分的问题。这个在企业内部实践当中我一会展开再跟大家具体的聊一下。四、AI Agent 企业级研发实践最后一部分将探讨企业级 AI Agent 在金融行业的研发实践并从金融架构师的角度提出若干核心建议。1、企业级研发设计思维的进化企业级研发的设计思维从最早的面向对象到面向服务的 SOA 架构再到微服务架构持续演进。直到去年以来兴起的智能体架构标志着从信息化、数字化到智能化的深刻转变。智能体架构的引入不仅带来了全新的模型与智能化能力还因其需要调用外部工具并建立新的通信协议从而催生并推动了新架构思维的发展。2、数智原生化架构在金融企业落地较多的是数智原生化架构这种架构是基于分层的思想是将“数”DataOps 和“智”LLMOps结合在一起在基础模型、数智化模型和 Agent 基础上做一个分层。基于这个架构实现出了数智原生架构的企业级要素和架构大体上分为五个层次五个层次之间用协议互联。数据数据知识智模型本身的工具抽象出工具层协议工具和模型之间的通信采用 MCP 协议Agent 之间采用 A2A 协议在这个基础上能够更好分层协议沉淀原子能力。3、企业数据治理企业级 Agent 研发有两点不可忽视第一数据治理仍是基础。从参与过金融企业 AI 项目来看尤其在架构设计层面数据始终是关键要素。数据的层次有很多可以考虑五点。我们采用 FastAPI 网关封装出数据网关通过该网关将 SQL、文档、缓存、向量及图数据进行相关整合使每类数据均可清晰表示与调用。在这个过程中我们也对加密存储、脱敏和安全输出做了管控右边是架构图。4、企业级“护栏”第二个重点是“护栏”。风控是金融企业的核心。风控过程中最主要是建立输入和输出的护栏。如上图右侧所示绿色表示金融企业构建智能体平台需要建立的输入和输出护栏。输入护栏既可以是模型也可以是白名单过程同时也可以建一些工作流进行人工二次抽检。5、四个底线和三层治理最后展示的在金融行业 Agent 企业研发中的四个底线和三层治理。安全与治理对于金融公司的 Agent 企业架构相当重要。三层治理架构解析如下任务解析当用户输入需求后首先进行意图识别、任务分解与护栏验证规划分层通过工作流引擎将已验证的任务步骤串联为可执行的规划执行优化对执行过程与输出结果进行管控和优化该治理架构可结合工作流、模型、提示词工程及企业内部 API 协同实现从而系统化保障 Agent 在金融场景中的安全、合规与可控。6、“从用户出发”的产品能力大模型能力AI 工程化企业级研发能力到底是什么从架构师视角看是从用户出发的产品能力大模型能力 AI 工程化能力。当我们接到了一个 AI Agent 的需求后第一步不是直接对模型选型而是从用户价值出发对具体场景、产品目标与能力要求进行拆解明确哪些部分适合由 AI 实现哪些应沿用传统方法。这应是企业级 Agent 研发首要思考步骤。7、AI 工程化不能只有大模型能力企业级 AI Agent 研发实践绝非仅依赖模型或 AI 技术更需要完善子系统的支撑。其中对话引擎和意图识别尤为关键。意图识别广泛应用对话机器人、推荐系统、AI 应用乃至智能运维场景。它能够精准定位并拆解具体问题有效弥补当前大语言模型在专业场景下通用能力的不足。8、落地中的角色在企业级 Agent 落地过程中非技术层面的角色分工与协作同样重要。我们建立的全栈式团队协作——例如我当前和以前金融公司的 AI 团队均采用这种模式。团队中每个成员都是全栈图谱中的点将这些节点结合在一起就能实现 1 1 1 ∞ 的效应。9、企业级 Agent 需求层次构建数智化原生企业应用其需求应遵循漏斗状过程。主要将其归纳为概念论证、定义原型到产品化三个过程相辅相成。最重要的定义原型阶段。对于原型定义我们通常会用一到两个月通过 AI 或 Agent 进行快速验证。若验证成功我们则用半年到一年时间将其产品化。已在多个场景中得到应用包括保险经纪公司对话机器人、互联网金融公司的推荐系统以及后续 AIOps 运营平台均取得了较好实践效果。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2025 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取
相关文章
保姆级排错指南：华为AC+AP组网下，无线客户端三层漫游后业务不通？逐条检查这10个配置点
华为ACAP三层漫游故障排查实战手册：10个关键配置点深度解析当会议室里的高管正用视频会议系统汇报季度业绩时，无线终端在AP间切换后突然卡顿；医院查房系统中，护士手持PDA跨越病区时电子病历加载中断；这些场景背后&…
Nextcloud Docker私有云进阶：离线部署Collabora打造私有Office全家桶（含安全配置建议）
Nextcloud Docker私有云进阶：离线部署Collabora打造私有Office全家桶（含安全配置建议）在数字化转型浪潮中，企业对于数据主权和协作效率的双重需求催生了私有化办公套件的蓬勃发展。想象一下这样的场景：研发团队正在讨论…
别再乱调参了！用吴恩达的‘偏差/方差’诊断法，5分钟定位你的神经网络问题
神经网络调参困境突围：5分钟精准诊断偏差与方差问题当你的神经网络模型在验证集上表现不佳时，盲目调整超参数就像在黑暗中摸索——既低效又令人沮丧。本文将带你掌握一套系统化的诊断方法，快速定位问题根源并采取针对性措施。1. 理解偏差与方…
Anthropic模型访问控制机制与Claude API门控策略解析
我不能按照您的要求生成关于“TAI #200: Anthropic’s Mythos Capability Step Change and Gated Release”的博文内容。原因如下：该标题中出现的“Mythos”并非 Anthropic 官方公开发布或确认存在的模型、能力或产品名称。截至2024年7月，Anthropic 官方…
避坑指南：ZYNQ7000 AXI GPIO中断配置的那些‘坑’（附Vivado 2023.1实测代码）
ZYNQ7000 AXI GPIO中断配置实战：从原理到避坑指南在嵌入式系统开发中，中断处理往往是实现高效实时响应的关键。对于ZYNQ7000系列芯片而言，AXI GPIO提供了一种灵活的方式扩展PS端的GPIO能力，但其中断配置却暗藏不少"陷阱"…
用OpenMV+STM32做个智能快递柜扫码模块？手把手教你实现二维码数据解析与转发
智能快递柜扫码模块实战：OpenMV与STM32的工业级二维码识别方案快递柜的扫码模块看似简单，实则暗藏玄机。我曾在一个社区智能柜项目中，亲眼目睹因扫码不稳定导致的投诉激增——阳光直射时识别率暴跌50%，雨天反光又让用户反复调整角…
别再手动修模型了！用Python的scipy.spatial.Delaunay快速搞定三角剖分（附实战代码）
别再手动修模型了！用Python的scipy.spatial.Delaunay快速搞定三角剖分（附实战代码）在数据处理和3D建模领域，处理离散点云数据是家常便饭。想象一下这样的场景：你刚从激光雷达扫描仪获取了几千个地形点坐标，…
最后一批“纯人工晋升者”正在消失：AI驱动的晋升周期已压缩至4.2个月，你的智能就绪度达标了吗？
更多请点击： https://codechina.net 第一章：最后一批“纯人工晋升者”正在消失：AI驱动的晋升周期已压缩至4.2个月，你的智能就绪度达标了吗？ 当某头部云厂商在2024年Q2内部晋升评审中首次将“AI协同贡献度”纳入硬性评…
计算机毕业设计之宠物用品推荐系统
随着宠物经济的迅猛发展，宠物用品市场呈现出前所未有的繁荣景象。然而，传统的销售模式已难以满足日益多样化的消费者需求，市场亟需一种更加高效、智能的销售解决方案。基于Python和大数据的宠物用品推荐系统应运而生，成为推动行业…
利用claude code skill在快马平台快速构建个人博客原型
快速体验 打开 InsCode(快马)平台 https://www.inscode.net输入框内输入如下内容： 请使用快马平台生成一个个人博客网站的原型。要求具备以下核心功能：响应式设计适配手机和电脑，包含首页文章列表展示，文章详情页，关…
Gemma-4 E4B配置参数详解：如何优化模型性能和输出质量
Gemma-4 E4B配置参数详解：如何优化模型性能和输出质量 【免费下载链接】gemma-4-E4B 项目地址: https://ai.gitcode.com/hf_mirrors/google/gemma-4-E4B Gemma-4 E4B是Google推出的先进多模态AI模型，支持文本、图像、音频和视频处理。本文将详细…
AI 赋能下企业账户接管欺诈成因、风险与全维度防御体系研究
摘要：依托 Wintrust 金融集团发布的行业调研与美联储、FinCEN 公开统计数据，本文以美国 2022—2024 年账户接管欺诈（Account Takeover Fraud，ATO）损失逐年攀升的现实数据为切入点，系统梳理账户接管欺诈的定…
Win10/Win11下Realtek 8188GU网卡驱动感叹号？别急着扔，试试这个手动安装的野路子
Realtek 8188GU网卡驱动故障深度修复指南：从原理到实战当设备管理器里那个顽固的黄色感叹号挥之不去，而你已经尝试了所有"标准操作"——Windows自动更新、第三方驱动工具、甚至重启大法——却依然无济于事时，是时候换个思路了。这篇…
AnolisOS 8.8安装源配置踩坑实录：从‘设置基础软件仓库时出错’到成功联网的保姆级指南
AnolisOS 8.8安装源配置实战指南：从诊断到解决方案的全流程解析当你在安装AnolisOS 8.8时遇到"设置基础软件仓库时出错"的提示，这通常意味着系统无法访问或识别安装源。这个问题看似简单，但背后可能涉及网络配置、镜像选择、启动参…
基于树莓派Pico的反应速度测试游戏：从GPIO编程到状态机实战
1. 项目概述与核心思路最近在整理工作室的电子元件，翻出来几个闲置的街机按钮和一块树莓派Pico，灵机一动，决定做个简单又有趣的反应速度测试游戏。这个项目非常适合想入门嵌入式开发的朋友，它不涉及复杂的传感器和通信协议&#x…
Zotero Duplicates Merger：5步彻底清理文献库重复条目
Zotero Duplicates Merger：5步彻底清理文献库重复条目 【免费下载链接】ZoteroDuplicatesMerger A zotero plugin to automatically merge duplicate items 项目地址: https://gitcode.com/gh_mirrors/zo/ZoteroDuplicatesMerger 还在为文献库中堆积如山的重…
利用随机有限集理论对蜂群的ILQR和MPC控制研究附Matlab代码
✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。🍎 往期回顾关注个人主页：Matlab科研工作室🍊个人信条：格物致知,完整Matlab代码及仿真咨询…
为什么你的Gemini邮件CTE低于行业均值2.8倍？：从Prompt架构到发送时序的深度归因
更多请点击： https://intelliparadigm.com 第一章：为什么你的Gemini邮件CTE低于行业均值2.8倍？：从Prompt架构到发送时序的深度归因 Gemini邮件的客户转化效率（CTE）显著偏低，根本原因常被误判为…