企业级Agent平台建设：技术选型
第一章确定了平台的模块边界，这一章把它落到语言、数据库、框架和部署方式上。目标仍然是少量组件组成一个可开发、可测试、可部署的系统。1.
第13篇：Agent前端可视化：搭建极简AI对话网页
欢迎回到 AI Agent 零基础实战连载系列。前12篇，我们已经彻底走完 AI Agent 底层全链路：会思考：规划、执行、反思闭环会知识：RAG私有文档问答会干活：工具调用自动化会团队：多智能体分工协作会部署：FastAPI 后端 API 服务化但是！
深夜调试四分钟，我才明白Agent工程化的真正门槛
# 能跑和能扛是两码事，AI Agent工程化到底卡在哪晚上十一点，我盯着终端里一行行滚动的日志，等了大概四分钟，那个该死的Agent终于返回了一个正常结果。这玩意儿在Jupyter Notebook里跑demo的时候，三秒钟就出结果，我一度以为已经搞定了。
我愿称之为AI Agent最伟大的网站！！！
很多朋友跟我吐槽，学 Agent 越学越乱，概念一堆，东看一点 RAG、西看一点多智能体，看着资料不少，合起来就是串不起来，做项目的时候依旧无从下手。今天分享一个我私藏的宝藏网站，在我心里，它就是学 Agent 最好的资源站，没有之一。
NVIDIA Auto Ontology 给 Agent 装了一层可核对的业务语义层
让 Agent 直接写 SQL 查企业库，最怕口径错了还答得理直气壮。NVIDIA 开源的 Auto Ontology 先把业务术语、指标表达式和表关系编译成语义层，答案连同 SQL 和步骤一起返回。
第12篇：Agent服务化部署：把智能体包装成API接口
欢迎回到 AI Agent 零基础实战连载系列。在前11篇的实战中，我们完成了AI Agent的全能力迭代：从基础思考闭环、RAG私有知识库、工具调用，到CrewAI多智能体团队协作，我们已经能在本地运行功能完整的智能体。
从 Agent 到 Super-Agent：下一代智能体架构，正在走向真正的自主化
当 AI 不再只是等待人类下达指令，而是能够持续运行、主动发现问题、并行处理任务，甚至自主推动工作完成时，智能体的形态将发生怎样的变化？过去两年，大语言模型（LLM）的快速发展，让 AI Agent（智能体）从概念逐渐走向实际应用。
Agent 平台原型来了：先把关键链路走通
技术选型解决“用什么做”，交互原型解决“用户到底怎么用”。这次先用一版可点击原型，把 Agent 配置、任务运行和执行追踪三条核心链路走通。