跳转至
智能体 AI 知识库
知识图谱
正在初始化搜索引擎
智能体 AI 知识库
首页
推荐向导
1. 核心概念
1. 核心概念
1.1 引言概览
1.2 免责声明与使用指南
1.3 智能体概念
1.4 智能体定义
1.5 智能体类型
1.6 基础理论
1.7 AI Engineering（Huyen）
1.8 参考文献
1.9 2026 年 AI 预测（You.com）
1.10 基础模型
2. 智能体运行框架（Harness）
2. 智能体运行框架（Harness）
2.1 智能体运行框架
2.2 运行框架工程
2.3 代码即智能体运行框架
2.4 运行框架优化
2.5 LLM 运行框架综述与分类法
2.6 Pi（pi.dev）
2.7 运行框架自进化
2.8 循环工程（Loop Engineering）
3. 架构与设计模式
3. 架构与设计模式
3.1 智能体架构组件选型
3.2 智能体设计模式选型
3.2 智能体设计模式选型
3.2.1 OpenAI 智能体设计模式
3.2.2 智能体架构模式（Arsanjani & Bustos）
3.2.3 事件驱动设计模式（Confluent）
3.3 多智能体系统
3.4 12-Factor 智能体
3.5 Gartner 基于 LLM 的 AI 设计模式
3.6 其它
3.7 数据集工程
3.8 微调
3.9 推理优化
4. 智能体开发框架
4. 智能体开发框架
4.1 LangChain
4.2 LangGraph
4.3 Google ADK
4.4 AWS Strands Agents
4.5 Microsoft Agent Framework
4.6 AutoGen
4.7 Semantic Kernel
4.8 LlamaIndex
4.9 AutoGPT
4.10 CrewAI
4.11 PydanticAI
4.12 Spring AI
4.13 Haystack
4.14 其它框架
4.15 Mastra
4.16 框架技术雷达
4.17 Flue
4.18 Eve
4.19 FreePHDLabor
4a. AI 编码智能体
4a. AI 编码智能体
4a.1 AI 编码智能体概览
4a.2 Claude Code
5. 智能体技术栈
5. 智能体技术栈
5.1 技术栈参考资料
5.1.1 Thoughtworks 技术雷达 — 智能体 AI（第 34 卷，2026 年 4 月）
5.1.2 语义数据层技术雷达
5.2 智能体 AI 平台
5.2 智能体 AI 平台
5.2.1 Google Gemini 企业级智能体平台
5.2.2 AWS AgentCore
5.2.3 Microsoft Azure AI Agent Service
5.2.4 其它 SaaS 平台
5.2.5 企业级智能体 AI 平台（2026）
5.2.6 Claude 托管智能体（Anthropic）
5.2.7 Microsoft Build 2026 — Fabric 与数据库
5.2.8 Databricks Genie
5.3 工作流引擎 / 框架
5.3 工作流引擎 / 框架
5.3.1 开源（MIT 或 Apache）
5.3.2 自托管与有限开源
5.3.3 工作流编排
5.3.4 业务流程
5.3.5 SaaS（无代码）方案
5.3.6 动态工作流（Claude Code）
5.3.7 编排原语决策指南
5.4 热门 AI 智能体
5.5 Hermes Agent（Nous Research）
5.6 OpenClaw
5.7 OpenHuman（TinyHumans AI）
5.8 LifeOS（Daniel Miessler）
5.9 Discovery Loop
6. 智能体 AI 行业标准
6. 智能体 AI 行业标准
6.1 智能体 AI 基金会
6.2 模型上下文协议（MCP）
6.3 Agent2Agent（A2A）协议
6.4 AGENTS.md
6.5 OpenSpec
6.6 AG-UI
6.7 AIDLC 工作流（AWS）
6.8 智能体技能 / SKILLS.md
6.9 开放知识格式（OKF）
6.10 云安全联盟（CSA）
6.11 Agent Client Protocol（ACP）
6.12 Kubernetes Agent Sandbox
7. 智能体 AI 参考架构
7. 智能体 AI 参考架构
7.1 参考架构概览
7.2 AI Engineering 架构（Huyen）
7.3 AI 助手参考架构
7.4 AI 助手
7.5 AI 自动化
7.5 AI 自动化
7.5.1 AI 自动化概览
7.5.2 LangManus — AI 自动化框架
7.6 自学习智能体
7.6 自学习智能体
7.6.1 自学习智能体概览
7.6.2 Agent0 系列 — 从零数据自进化的智能体
7.7 RAG 参考架构
7.8 专项蓝图
7.9 RAG 实现
7.10 搜索即代码（Perplexity）
8. 上下文工程
8. 上下文工程
8.1 上下文管理的关键挑战
8.2 上下文管理的常见策略
8.3 上下文图谱
8.4 提示词工程
8.4 提示词工程
8.4.0 概览
8.4.1 SkillOpt（Microsoft）
8.4.2 GEPA（Genetic-Pareto）
8.5 上下文实现参考
8.5 上下文实现参考
8.5.1 Manus
8.5.2 Anthropic
8.5.3 LangGraph
8.5.4 Devin（Cognition）
8.5.5 其它
8.6 效率前沿（成本-性能）
9. 智能体记忆管理
9. 智能体记忆管理
9.1 四种记忆类型
9.2 长期记忆（LTM）策略
9.3 记忆方案与技术雷达
9.4 研究论文与技术白皮书
9.5 工作记忆管理
9.6 记忆管理概览
10. 智能体 AI 评测
10. 智能体 AI 评测
10.1 LLM 评测框架
10.2 AI 充当评审（LLM-as-Judge）
10.3 智能体评测基准
10.4 LLM 评测基准
10.5 智能体评测平台
10.6 评测参考框架
10.7 参考文档
10.8 评测技术雷达
11. 智能体 AI 安全
11. 智能体 AI 安全
11.1 安全标准
11.1 安全标准
11.1.1 NIST AI RMF（风险管理框架）
11.2 Google 视角
11.2 Google 视角
11.2.1 SAIF 框架
11.3 AWS 视角
11.4 Microsoft 视角
11.4 Microsoft 视角
11.4.1 智能体治理工具包
11.5 智能体沙箱
11.6 Anthropic 视角
11.6 Anthropic 视角
11.6.1 沙箱运行时（srt）
11.7 技能安全扫描器
11.8 智能体 AI 红队演练指南（CSA）
11.9 Learn Prompt Hacking
12. 智能体可观测性
12. 智能体可观测性
12.1 目标与定位
12.2 可观测性方案
12.3 最佳实践与指南
12.4 可观测性技术雷达
13. 智能体 AI 运营（AgentOps）
13. 智能体 AI 运营（AgentOps）
13.1 AgentOps 概览
13.2 Google Cloud 视角
13.2 Google Cloud 视角
13.2.1 GenOps — 面向生成式 AI 的 MLOps 演进
13.3 Kubernetes 原生智能体编排
13.3 Kubernetes 原生智能体编排
13.3.1 kagent（CNCF）
13.3.2 Agentic Ops Framework (AOF)
13.3.3 KAOS (K8s Agent Orchestration System)
14. 智能体 AI 成熟度模型
14. 智能体 AI 成熟度模型
14.1 Gartner 视角
14.2 AWS 视角
14.2 AWS 视角
14.2.1 生成式 AI 成熟度模型
14.2.2 AWS 成熟度模型
14.3 Google 视角
14.4 IDC 视角
14.5 成熟度模型概览
14.6 智能体工程能力等级
14.7 Arsanjani 生成式 AI 成熟度模型
15. 智能体应用市场
15. 智能体应用市场
15.1 AWS AI 智能体市场
15.2 AgentOps 市场
15.3 Google Cloud 智能体库
15.4 Anthropic 市场布局
15.5 其它
16. 生产环境最佳实践与指南
16. 生产环境最佳实践与指南
16.1 概览
16.2 可观测性
16.3 状态与记忆管理
16.4 部署
16.5 智能体测试与评测
16.6 上下文工程
16.7 智能体安全
16.8 成本管理
17. AI 治理
17. AI 治理
17.1 概览
17.2 治理策略
17.3 治理最佳实践
17.4 治理方案
18. 厂商深度解析
18. 厂商深度解析
18.1 超大规模云厂商
18.1 超大规模云厂商
18.1.1 AWS
18.1.2 Google
18.1.3 Microsoft
18.2 AI 实验室
18.2 AI 实验室
18.2.1 Anthropic
18.2.2 OpenAI
知识图谱
知识图谱
探索知识库中各页面之间的关联。节点按章节着色，大小反映
See Also（参见）
链接的数量。点击任意节点即可跳转到对应页面。
正在加载图谱…
章节
+
−
⊙
⤢
回到页面顶部