智能体开发少走弯路，Agent Plan × DeepSeek Harness完整实战指南

很多做AI应用开发的朋友，最近都会遇到同一个难题。单纯调用大模型接口，只能完成一问一答，想要让AI自主拆解任务、调用工具、分步执行复杂工作，就需要搭建Agent智能体。

用 Agno 搭多智能体，几行代码就让一组 agent 分工协作

我想要的东西其实很简单：一个查资料、一个算数据、一个最后汇总成报告，三个 agent 各干各的，再凑一块儿。这事儿用 LangGraph 写，光是画状态图、定义节点和边就够我喝一壶。换成 Agno 之后，核心逻辑大概二十行就跑通了，分享一下。

私有AI实战18：让本地AI动手干活，Agent工具调用实战

前面折腾了十几篇本地大模型和知识库，终于到了我感觉比较有意思的阶段。现在我们的本地AI已经能读文档、查资料、结合知识库回答问题，甚至还能在网页上进行多轮对话。但有个问题一直没解决：它知道怎么做，却不一定能替你做。

AgentGarten：当AI智能体开始在"代码写的世界"里反复练习

2019年，OpenAI做过一个很出名的实验，让两群AI在一个简单的物理环境里玩捉迷藏。躲的一方和找的一方互相博弈，久而久之，躲的那方学会了搬箱子筑围墙挡住入口，找的那方学会了拖来斜坡爬过围墙。

为什么越来越多团队用 Java 写企业级 Agent：十个绕不开的现实因素

这两年我被问过好几次同一个问题：做 Agent，为什么不用 Python？我一般会反问一句，这个 Agent 上线之后，写不写业务库、走不走审批、进不进现有的权限体系。如果答案都是肯定的，语言这件事其实没多少可选。

LangChain 学习路线（07）：Agent 入门，从 RAG 问答到智能体调用

前六篇，我们已经学习了 LangChain 的核心组件、LCEL、RAG、Milvus、混合检索和 Rerank。现在，我们开始进入一个新的阶段：Agent（智能体）。之前构建的 RAG 应用，主要解决的是一个问题：用户提出问题，系统从知识库中找到相关资料，再交给大模型生成答案。

终于有人说清楚了Agent开发的正确学习路线

Kimi Hosted Agents 游戏 Agent 完整搭建步骤（适合做游戏长任务）

入口：Kimi 开放平台控制台，新版底座优先选 K3.

从 Python 到 Rust，从 Chat 到 Agent：我的真实开发演进之路

一个极其卑微的痛点平时我们用大模型，不管是 ChatGPT 还是 DeepSeek，给出的回答常常是 Markdown 格式。直接复制到记事本里，满屏的 **、##、---，根本没法看。发给老板或者客户，更是显得极不专业。