智能体 AI 知识库

一个全面、结构化的知识仓库，汇集了构建、部署与大规模运营智能体 AI（Agentic AI）系统所需的前沿研究、模式、框架与最佳实践。

总览

智能体 AI 知识库是一个集中式的知识中枢，旨在支撑智能体 AI 开发的完整生命周期——从基础概念、架构模式，到生产部署、安全与运营卓越。本仓库汇聚了精选知识文章、架构模式、白皮书、研究洞见与行业最佳实践，覆盖整个智能体 AI 生态。

我们以完整的知识库结构系统化地覆盖智能体 AI 的方方面面，帮助架构师、工程师、研究者与平台团队设计出健壮、安全、可投入生产的智能体 AI 方案。知识库涵盖的核心主题包括：智能体架构与框架、技术栈、行业标准、评测方法论、安全框架以及运营最佳实践。

知识库结构

1. 引言

概览：知识库的欢迎与基础介绍
免责声明与使用指南：重要的使用说明与免责声明
目标读者：从事智能体 AI 工作的架构师、工程师、研究者与平台团队

2. 智能体运行框架（Harness）

智能体运行框架：什么是运行框架及其核心组件（系统提示词、工具、沙箱、编排、hooks）；模型–运行框架协同进化循环
运行框架工程：前馈/反馈控制、计算型与推断型传感器、调控类别（可维护性、架构适配度、行为）、可运行框架化（harnessability）因素
代码即智能体运行框架：一篇涵盖 197 篇论文的综述（Ning et al., 2026），论证代码是智能体系统可执行、可检视、有状态的基底；三层分类法：运行框架接口（推理/行动/环境建模）、运行框架机制（规划/记忆/工具调用/迭代调试）与运行框架扩展（围绕共享代码产物的多智能体协同）；应用领域横跨编码助手、GUI/OS 智能体、科学发现、具身机器人、DevOps 与企业工作流
运行框架优化：使用具备文件系统访问能力、可读取历史执行轨迹的智能体式提议器，对运行框架代码进行自动化搜索（Meta-Harness，Lee et al., 2026）；在文本分类上 +7.7 分（token 用量减少至 1/4），在 IMO 数学推理上跨 5 个留出模型 +4.7 分，在 TerminalBench-2 上超越手工调优基线
循环工程（Loop Engineering）：设计有计划、自我喂养的系统，让系统主动提示智能体，而非由人来提示——六大原语（自动化、worktree、技能、连接器、子智能体、外置状态），并在 Codex 应用与 Claude Code 上一一映射；随着循环不断改进，验证、理解力腐化（comprehension rot）与认知让渡（cognitive surrender）仍是未解难题
LLM 运行框架综述与分类法：ETCLOVG 七层分类法（执行、工具、上下文、生命周期、可观测性、验证、治理）；形式化 H=(E,T,C,S,L,V) 模型；覆盖 23+ 系统的运行框架完备性矩阵；九项基于实证的技术挑战；涵盖 110+ 篇论文及 1997–2026 年的时间线

3. 核心概念

智能体定义：智能体 AI 系统的基础定义与术语；Chat-Engine 与 Do-Engine 之辨（You.com, 2026）；AI Engineering 的智能体定义（Huyen, 2025）——智能体感知其环境并借助工具对环境施加行动，以基础模型作为规划「大脑」
智能体类型：不同智能体架构的分类与对比
AI Engineering：在基础模型之上构建应用的学科——提示词工程、RAG、微调与智能体这四大核心适配技术；AI 工程技术栈（基础设施层、模型层、应用层）；AI 工程与 ML 工程之对比（Huyen, O'Reilly 2025）
参考文献：关键研究论文与基础资料
2026 年 AI 预测（You.com）：Richard Socher 与 Bryan McCann 的 35 条预测，涵盖劳动力转型、奖励工程、十人独角兽、软件开发、垂直 AI 智能体、太空计算、生物科技与消费媒体

4. 架构与设计模式

智能体架构组件：系统组件的选型标准
设计模式选型：成熟模式，包括 OpenAI 的智能体模式、Arsanjani & Bustos 模式目录（Agent Router、Supervisor、Swarm、Blackboard、FCoT、指令保真审计、自适应重试、金丝雀智能体测试等 20+ 模式），以及 Confluent 在 Kafka/Flink 之上对编排者-工作者、层级式、黑板、市场化等模式的事件驱动实现
多智能体系统：四种架构（中心化、去中心化、层级式、混合式）；Supervisor 与 Swarm 对比；Agent Router 模式；七大收益；失效模式与决策框架；面向架构选型的框架对比；以事件驱动（Kafka 消费者组）实现编排者-工作者、层级式、黑板与市场化协同
12-Factor 智能体：构建可靠 LLM 应用的原则
Gartner LLM 模式：业界公认的设计模式

5. 智能体开发框架

全面覆盖主流开发框架： - LangChain 与 LangGraph：拥有 100 万+ 开发者的业界标准框架；LangGraph 擅长复杂的有状态多智能体工作流 - Google ADK：与模型无关、针对 Google Cloud 优化的框架；支持层级式智能体组合与内置评测 - AWS Strands Agents：模型驱动的自主智能体框架，原生支持 MCP 与 A2A - Microsoft Agent Framework：统一的 .NET 与 Python 框架 - AutoGen：Microsoft 推出的多智能体对话框架 - Semantic Kernel：面向企业级应用、可投入生产的 SDK - LlamaIndex：面向数据密集型 LLM 应用与知识管理；Parse Gateway 根据每页复杂度（LiteParse is_complex）将 PDF 页面路由到能够处理它的最低成本解析层级，避免整份文档统一使用高级解析 - AutoGPT：用于工作流自动化的持续运行 AI 智能体 - CrewAI：基于角色的多智能体协作框架；配置极简 - Agno：高性能多智能体框架（智能体创建约 2μs，每个智能体约 3.75 KiB） - Mastra：TypeScript 优先的框架，面向 Web 应用并可与既有 REST API 集成 - PydanticAI：类型安全的生成式 AI 开发 - Spring AI：与 Java 生态集成 - Haystack：可投入生产的 LLM 应用与 RAG 流水线 - AI 编码智能体：Claude Code、OpenAI Codex、Kiro（AWS 用于替代 Amazon Q Developer 的全新产品）、Cursor、Devin、GitHub Copilot 等；Google Antigravity（CLI/2.0/SDK/IDE）接替 Gemini CLI（Free/Pro/Ultra 层级于 2026 年 6 月停止服务）；Snowflake CoCo（原 Cortex Code）和 Databricks Genie Code 将数据原生与湖仓原生编码智能体纳入对比 - FreePHDLabor：基于 smolagents 的开源多智能体框架，通过 ManagerAgent 编排 Ideation、Experimentation、Writeup、Reviewer 和 Proofreading 智能体，自动化完成科学研究全流程

6. 智能体技术栈

技术栈参考资料：全面的技术全景概览
语义数据层技术雷达：Thoughtworks 风格的雷达，对比云原生语义层（Snowflake Semantic Views、Databricks Metric Views、Power BI/Fabric 语义模型、AWS QuickSight Topics、Google Looker/LookML）与通用语义层及指标库（dbt Semantic Layer、Cube、AtScale、Denodo、Honeydew、Bright Analytics），以及新兴的 Open Semantic Interchange（OSI）标准
智能体 AI 平台：Google Gemini 企业级智能体平台（2026 年 4 月 22 日在 Cloud Next '26 GA，Vertex AI 的继任者并吸收 Agentspace）、AWS AgentCore、Microsoft Azure AI、Databricks Genie（Genie One、Genie Agents/原 Genie Spaces、Genie Code、Genie App Builder、Genie ZeroOps、Genie Ontology）；企业级平台对比（2026），涵盖 Salesforce Agentforce、Microsoft Copilot Studio、ServiceNow、Kore.ai、UiPath Maestro、Azure AI Foundry Agent Service、IBM watsonx Orchestrate、LangGraph 与 CrewAI Enterprise，附定价、采用数据与中肯的约束分析
工作流引擎：开源、自托管与 SaaS 方案；Temporal 用于持久化执行——容错、长时运行的 AI 智能体工作流，支持事件历史重放、用于人在回路的 Signals，以及用于多智能体扇出的子工作流；Confluent（Apache Kafka 与 Flink）作为事件流主干，支撑高扇出的多智能体协同、智能体式 RAG 数据摄取与实时流处理；Kestra（Apache 2.0）作为声明式、YAML 优先的编排平台，在其 1.0 LTS 版本中新增了原生 AI Agent 任务、记忆/工具以及 MCP 服务器/客户端
热门 AI 智能体：编码智能体、研究智能体与超级智能体；个人 AI 智能体新增 LifeOS（Daniel Miessler 基于 Claude Code 技能构建、与运行框架无关的个人操作系统）和 OpenWorker（Andrew Ng 的开源、本地优先桌面 AI 协作者，返回完成的交付物）；Discovery Loop（Jeff Dean、Sanjay Ghemawat、Oriol Vinyals、Quoc Le 创办的大规模并行自动化 ML 研究 PBC）；Dosu（负责议题分类和文档维护的 AI GitHub/GitLab 维护者智能体）；MindStudio（可访问 200+ 模型的无代码 AI 智能体构建器）

7. 智能体 AI 行业标准

智能体 AI 基金会：Linux 基金会推动开放标准的倡议
模型上下文协议（MCP）：Anthropic 提出的 LLM 上下文标准化方案
Agent2Agent（A2A）协议：Google 的智能体互操作标准
AGENTS.md：AI 智能体指令的行业标准
OpenSpec 与 AG-UI：面向开发与界面的新兴标准
AIDLC 工作流（AWS）：方法论优先的 AI 驱动开发生命周期，包含结构化的 Inception → Construction 阶段、审批门控，以及用于 CI/CD 质量门的内置评测器
开放知识格式（OKF）：Google Cloud 的开放规范（v0.1，2026 年 6 月），用于可移植、对智能体与人类皆可读的知识包——带 YAML frontmatter 的 markdown 文件，无需 SDK 或运行时；将 Karpathy 的「LLM-wiki」模式正式化
云安全联盟（CSA）：智能体 AI 测试与治理的行业标准机构——《智能体 AI 红队演练指南》（12 类威胁分类法）与 MAESTRO 威胁建模框架
Agent Client Protocol（ACP）：Zed Industries 的开放标准（基于 stdio 的 JSON-RPC），用于编辑器与智能体集成——涵盖会话生命周期、工具调用上报与权限请求；Gemini CLI 原生采用，并通过 JetBrains 的 ACP Agent Registry 推广，Claude Code 与 Codex CLI 通过适配器支持
Kubernetes Agent Sandbox：Kubernetes SIG Apps 子项目（2025 年 11 月 KubeCon Atlanta 发布），通过 Sandbox/SandboxTemplate/SandboxClaim CRD 为单次智能体工具调用标准化隔离执行环境，并以 WarmPools 实现亚秒级冷启动；GKE 产品化现已 GA，另有 Agent Substrate——一个面向超大规模、亚秒级工具调用智能体集群的全新最小控制平面开源项目

8. 智能体 AI 参考架构

AI 自动化：LangManus 框架与自动化模式
自学习智能体：Agent0 系列与自进化系统
AI 助手架构：参考实现与蓝图
RAG 架构：检索增强生成模式
搜索即代码（SaC）：Perplexity 的范式，由模型生成代码来组装面向特定任务的检索流水线；三层结构——模型作为控制平面、计算沙箱、智能体式搜索 SDK；在 WANDR 基准上取得 2.5× 优势；在 CVE 审计案例中 token 用量减少 85.1%
NVIDIA AI Blueprints：视频检索与摘要智能体

9. 智能体 AI 成熟度模型

Gartner 视角：行业成熟度评估框架
AWS 视角：生成式 AI 成熟度模型与演进路径
Google 视角：云原生成熟度考量
IDC 视角：市场演进与采用模式
Arsanjani 生成式 AI 成熟度模型：7 级框架（数据基础 → RAG → 调优 → 接地 → 单智能体 → 多智能体），含智能体解剖、全新的智能体技术栈（函数调用、MCP、A2A）以及成熟度与模式的映射

10. 智能体应用市场

AWS AI 智能体市场：企业级智能体方案与平台
AgentOps 市场：运营工具与服务
其它平台：社区与专项应用市场

11. AI 智能体最佳实践

Anthropic：构建高效智能体与安全考量
Google：企业级部署与扩展最佳实践
Microsoft：.NET 与 Azure 集成模式
OpenAI：构建智能体的实用指南与智能体模式

生产环境最佳实践与指南

专门的章节，汇总所有生产就绪指南——面向将智能体从原型推向生产的团队的横切关注点。

可观测性

目标与定位：监控、调试与性能优化
可观测性方案：LangSmith、Langfuse、Openlit、Braintrust、W&B Weave、Galileo（Graph/Trace/Timeline 视图、Insights Engine）
最佳实践：分布式链路追踪、告警、仪表盘与预测式可观测性；三级追踪（会话/步骤/系统）；生产基准（动作完成度、工具选择质量）

状态与记忆管理

三个功能层级：短期、情景与长期记忆系统；AWS 时长 × 范围分类法（上下文内 / 会话 / 跨智能体 / 语义）
上下文窗口 Token 预算：KV cache 命中率优化、窗口策略（最近 k 轮、Token 预算、语义、渐进式摘要）与 LangGraph checkpointer 模式
长期记忆（LTM）策略：向量 RAG（HNSW 与 IVF+PQ 选型指南）、混合 BM25+稠密检索+RRF+重排序流水线（端到端约 62ms）、知识图谱、面向结构化依赖查询的 GraphRAG、AgentCore Memory 提取层级，以及 Redis/MongoDB 冷热交接模式
记忆治理：数据血缘（CloudTrail）、分层留存策略（24 小时会话 → 90 天工作流 → 7 年归档）、PII 检测（Bedrock Guardrails + Macie）与删除权（GDPR/CCPA）实现模式
记忆方案：Mem0、MemMachine、Zep、AgentFS、云托管记忆服务（AWS AgentCore、Vertex、Azure、Anthropic Managed Agents、Salesforce Agentic Memory、Cloudflare Agent Memory）、agentmemory、MinnsDB，以及框架原生记忆（LangGraph、LlamaIndex、CrewAI）——完整技术雷达对比

部署

AgentOps 与 GenOps：面向生成式 AI 系统的 MLOps 演进
生命周期管理：开发、测试、部署与运营；OpenGeni（Apache-2.0）是一个可自托管的智能体运行时，提供持久化、可重放会话、人工审批以及受治理的凭证/记忆
生产运营：容器编排、自动扩缩容与多智能体协同
Kubernetes 原生智能体编排：kagent（CNCF Sandbox）、Agentic Ops Framework（AOF）与 KAOS 把智能体、工具与模型作为 Kubernetes 自定义资源运行；独立的 Kubernetes SIG Apps "Agent Sandbox" 子项目则为单次智能体工具调用标准化隔离执行环境

智能体测试与评测

LLM 评测框架：DeepEval、MLFlow、RAGAS 与 OpenEvals
AI 充当评审：用基础模型评测其他 AI 的输出——三种用法（绝对打分、参照对比、成对比较）、AI 评审的提示词设计、局限（不一致、长度偏置、位置偏置），以及评审模型选型指南（Huyen, 2025；Zheng et al., 2023——在 MT-Bench 上 GPT-4 与人类一致率达 85%）
智能体基准：METR、Terminal Bench、VisualWebArena、GAIA 与 DeepResearch Bench（对深度研究智能体的 RACE/FACT 评测）；Terminal-Bench 2.0/2.1 现通过开源的 Harbor 评测运行框架运行
评测平台：Galileo、Google Stax、LastMile AI、Harbor（分布式基准/RL-rollout 运行框架）、AWS Agent-EvalKit、Google LLM EvalKit（基于 Vertex AI 的开源无代码提示词工程与评测中心）、AWS Bedrock Evaluations（托管式模型/RAG/人工评测，2025 年 3 月 GA），以及 Azure AI Foundry Evaluation（质量 + 风险/安全评测器）
评测技术雷达：对开源评测框架（DeepEval、RAGAS、MLFlow）与托管平台（Galileo、LangSmith、Bedrock Evaluations、Foundry Evaluation）进行 Adopt/Trial/Assess/Hold 分类

上下文工程

关键挑战：上下文腐化、投毒、分心、混淆与冲突——附 DeepMind、Gemini 2.5、Berkeley、Microsoft/Salesforce 研究的实证证据
记忆与上下文之辨：100:1 法则；哪些该留在上下文、哪些该存入记忆；四类上下文
管理策略：卸载、削减、检索、隔离与缓存；上下文大小阈值；分阶段实施路线图
效率前沿：感知部署的成本-性能优化；以复用参数（N）驱动策略选型；约 25% 的 token 节省；检索与压缩之间的转换边界（Shen et al., 2026）
实现参考：Manus、Anthropic、LangGraph 与 Devin 的做法

智能体安全

安全标准：NIST AI 风险管理框架
Google 视角：SAIF 框架与安全 AI 智能体方法
AWS 视角：生成式 AI 安全范围界定矩阵
Microsoft 视角：智能体治理工具包——运行时治理，支持确定性策略执行（YAML/OPA/Cedar）、零信任身份、执行沙箱、MCP 安全网关；覆盖全部 10 项 OWASP Agentic Top 10 风险
CSA 视角：《智能体 AI 红队演练指南》——12 类对抗测试分类法（授权劫持、检查者脱离回路、幻觉利用、爆炸半径、知识库投毒、多智能体利用等），并配套准备/执行/分析/报告四阶段方法论
风险管理：失控行为、数据泄露、提示词注入及缓解策略
智能体沙箱：跨操作系统级策略、容器、microVM 与云托管各层的隔离分类法——E2B、Daytona、Modal、LangSmith Sandboxes、AWS Lambda MicroVMs、Firecracker、gVisor、Kata Containers、Anthropic srt 与 nsjail
提示词攻击教育：Learn Prompt Hacking——涵盖越狱、针对 GPT Assistants/自定义 GPT 的提示词注入，以及 LLM 红队/蓝队防御的开源课程

成本管理

Token 优化：模型路由、提示词优化与缓存策略
预算控制：单请求预算、告警阈值与硬性熔断
成本监控：Langfuse、Openlit、LangSmith、Braintrust 成本追踪
厂商指南：Anthropic、OpenAI、Google 与 AWS 的成本优化方法

目标读者

架构师与技术负责人

设计智能体 AI 方案的系统架构师
评估框架与平台的技术负责人
规划 AI 转型计划的企业架构师

软件工程师与开发者

构建智能体应用与工作流的开发者
将 AI 智能体集成进既有系统的工程师
从事 AI 驱动应用的全栈开发者

AI/ML 工程师与研究者

实现基于智能体系统的 ML 工程师
探索多智能体架构的 AI 研究者
构建智能自动化方案的数据科学家

平台与 DevOps 团队

部署智能体基础设施的平台工程师
管理 AI 智能体生命周期的 DevOps 团队
监控智能体系统的 SRE

产品与业务团队

定义智能体能力的产品经理
评估 AI 智能体投资回报的业务分析师
探索智能体 AI 机会的创新团队

学习路径

入门路径：打基础

从这里开始：引言 → 核心概念 → 架构模式
选择框架：智能体开发框架（建议从 LangChain/LangGraph 入手）
构建第一个智能体：技术栈 → 参考架构
了解标准：行业标准 → 最佳实践

进阶路径：动手实现

深入框架：针对你的场景对比多个框架
架构设计：参考架构 → 上下文工程
记忆与状态：状态与记忆管理 → 智能体测试与评测
生产就绪：智能体安全 → 可观测性 → 部署

高阶路径：生产与规模化

企业级模式：成熟度模型 → 智能体安全 → 成本管理
运营卓越：部署 → 可观测性 → 智能体测试与评测
市场与生态：智能体应用市场 → 行业标准
创新与研究：最新研究论文与新兴模式

专项路径

安全方向：智能体安全 → 智能体测试与评测 → 标准 → 可观测性

研究方向：核心概念 → 参考架构 → 智能体测试与评测 → 状态与记忆管理

平台工程方向：技术栈 → 部署 → 可观测性 → 成本管理 → 应用市场

核心特性

全面覆盖：以结构化章节覆盖整个智能体 AI 全景
框架对比：对 14+ 主流开发框架的详细分析
聚焦生产：专门的生产环境最佳实践章节，涵盖安全、可观测性、成本、部署与测试
行业标准：覆盖 MCP、A2A、AGENTS.md 等新兴标准
可视化文档：60+ 张图表与架构参考，命名清晰
研究整合：最新学术研究与行业白皮书
多厂商视角：多云、与厂商无关的中立立场
社区驱动：开源，采用 Apache 2.0 许可

快速开始

快速上手

浏览结构：浏览 16 个章节的导航，了解整体范围
选择路径：根据你的角色与经验选择一条学习路径
从概念入手：若初次接触智能体 AI，请从基础概念开始
挑选框架：选择契合你技术栈的开发框架

面向开发者

从智能体开发框架开始，确定你的开发方式
查阅参考架构了解实现模式
探索技术栈，做出平台与工具选型

面向架构师

从架构与设计模式入手进行系统设计
查阅生产环境最佳实践与指南（安全、可观测性、成本管理）了解生产考量
研读成熟度模型进行组织就绪度评估

面向研究者

深入核心概念与参考架构夯实理论基础
探索评测框架与基准
查阅记忆管理与上下文工程等进阶主题

参与贡献

我们欢迎社区的贡献！本知识库被设计为一份「活」的资源，将随着智能体 AI 这一快速演进的领域持续更新。

如何贡献

内容更新：为新研究、框架或最佳实践提交 pull request
框架评析：补充对新增或更新框架的分析
案例研究：分享真实落地经验与经验教训
文档完善：提升既有内容的清晰度与准确性

贡献准则

遵循既定的 16 章节结构
包含恰当的引用与参考
尽可能保持厂商中立视角
添加文件名清晰、有意义的可视化图表

免责声明

本知识库包含的图片、图表与可视化参考，部分来源或改编自外部文章、研究论文、厂商文档及公开材料。所有此类视觉内容的版权归各自所有者所有，仅用于教育、参考与示意目的。在适用情形下均已注明或引用原始来源，且不对任何第三方内容主张所有权。

许可证

本项目采用 Apache License 2.0 许可。

致谢

本知识库建立在开源社区、学术研究者与行业从业者卓越工作的基础之上，正是他们持续推动着智能体 AI 领域的进步。特别感谢所有贡献者，以及公开分享研究与洞见的各个组织。