如何构建和调优高可用性的Agent？浅谈阿里云服务领域Agent构建的方法论
本文深入探讨了Agent智能体的概念、技术挑战及实际落地方法，涵盖了从狭义到广义的Agent定义、构建过程中的四大挑战（效果不稳定、规划权衡、领域知识集成、响应速度），并提出了相应的解决方案。文章结合阿里云服务领域的实践经验，总结了Agent构建与调优的完整路径，为推动Agent在To B领域的应用提供了有价值的参考。
Multi-Agent实践第1期：5分钟上手AgentScope
阿里云与魔搭社区联合举办Create@AI创客松，邀请开发者探索基于多智能体的人机协作模式。活动提供资源支持和专家指导，获胜者可获得近5万元现金奖励及6亿次千问调用额度。参赛者需准备大模型API，如DashScope或OpenAI，使用AgentScope开源框架开发多智能体应用。立即报名参加：[报名链接](https//startup.aliyun.com/special/aihackathon4)。
基于阿里云通义星尘实现多智能体（Multi-agent）协同工作的构想与尝试
近年来，大规模预训练模型（大模型）快速发展，其能力显著增强，尤其是在语言理解和生成方面取得了突破。然而，尽管大模型强大，但仍需被动响应指令，为此，研究转向了更具自主性的新范式——智能体（AI agent）。不同于仅执行命令的大模型，智能体不仅能理解复杂指令，还能规划行动步骤并在特定领域自我学习与改进。为进一步提高处理复杂任务的能力，多智能体（Multi-Agent）系统应运而生，多个智能体通过协作、交流信息和共享资源，共同完成更为复杂精细的任务。本文探讨了如何利用阿里云的通义星尘实现基础的多智能体协同工作，介绍了智能体的概念、优势及局限性，并通过具体案例展示了如何构建协作型多智能体系统。
深入浅出智能工作流（Agentic Workflow）｜技术干货
著名AI学者、斯坦福大学教授吴恩达提出AI Agent的四种设计方式后，Agentic Workflow（智能体工作流）在全球范围内迅速走红，多个行业纷纷实践其应用，并推动了新的Agentic AI探索热潮。吴恩达总结了Agent设计的四种模式：自我反思、工具调用、规划设计及多智能体协作。前两者较普及，后两者则为智能体使用模式从单一大模型向多智能体协同配合完成业务流程的转变奠定了基础。
使用Qwen2.5+SpringBoot+SpringAI+SpringWebFlux的基于意图识别的多智能体架构方案
本项目旨在解决智能体的“超级入口”问题，通过开发基于意图识别的多智能体框架，实现用户通过单一交互入口使用所有智能体。项目依托阿里开源的Qwen2.5大模型，利用其强大的FunctionCall能力，精准识别用户意图并调用相应智能体。
核心功能包括：
- 意图识别：基于Qwen2.5的大模型方法调用能力，准确识别用户意图。
- 业务调用中心：解耦框架与业务逻辑，集中处理业务方法调用，提升系统灵活性。
- 会话管理：支持连续对话，保存用户会话历史，确保上下文连贯性。
- 流式返回：支持打字机效果的流式返回，增强用户体验。
感谢Qwen2.5系列大模型的支持，使项目得以顺利实施。
面向多模态感知与反思的智能体架构Agentic AI的实践路径与挑战
Agentic AI（能动智能体）代表人工智能从被动响应向主动规划、自主决策的范式转变。本文系统解析其核心架构，涵盖感知、记忆、意图识别、决策与执行五大模块，并探讨多智能体协作机制与通信协议设计。结合代码示例，展示意图识别、任务规划与异步执行的实现方式，分析该架构的优势与挑战，如高自主性与通信复杂性等问题。最后展望未来方向，包括引入RAG、LoRA与多模态感知等技术，推动Agentic AI在自动编程、机器人协作等场景的广泛应用。
