- 一、背景過去一年，大語言模型的推理能力大幅提升，AI Agent 從概念驗證走向實際落地。與單純的對話式應用不同，Agent 的核心在於「自主規劃＋工具調用」的閉環：模型根據用戶目標拆解任務、選擇合適的工具、執行並根據回饋調整策略。我們團隊在過去幾個月裡，將一個人工操作流程改造成 Agent 驅動的自動化流程，經歷了從 prompt 工程到工具調用的演進。本文記錄其中的關鍵決策與踩坑經驗。... 一、背景過去一年，大語言模型的推理能力大幅提升，AI Agent 從概念驗證走向實際落地。與單純的對話式應用不同，Agent 的核心在於「自主規劃＋工具調用」的閉環：模型根據用戶目標拆解任務、選擇合適的工具、執行並根據回饋調整策略。我們團隊在過去幾個月裡，將一個人工操作流程改造成 Agent 驅動的自動化流程，經歷了從 prompt 工程到工具調用的演進。本文記錄其中的關鍵決策與踩坑經驗。...
- Agent 的风险不仅来自幻觉，更来自被放大的授权。本文从能力拆分、资源级权限、参数校验、人工确认和审计回放出发，给出一套可落地的工具调用安全闭环。 Agent 的风险不仅来自幻觉，更来自被放大的授权。本文从能力拆分、资源级权限、参数校验、人工确认和审计回放出发，给出一套可落地的工具调用安全闭环。
- 本文探讨法律智能体技术路线演进与幻觉难题。指出当前RAG、知识图谱、多智能体等方案本质是为生成式模型“打补丁”，却无法根治幻觉——因其内生于概率生成范式。作者主张转向“可控的窄→可信的准”新路径：聚焦99%高频封闭场景，通过要件归纳、结构化问答、确定性检索与专家模板，实现100%可验证准确率，以诚实边界换取法律服务必需的信任基石。 本文探讨法律智能体技术路线演进与幻觉难题。指出当前RAG、知识图谱、多智能体等方案本质是为生成式模型“打补丁”，却无法根治幻觉——因其内生于概率生成范式。作者主张转向“可控的窄→可信的准”新路径：聚焦99%高频封闭场景，通过要件归纳、结构化问答、确定性检索与专家模板，实现100%可验证准确率，以诚实边界换取法律服务必需的信任基石。
- 摘要随着大模型逐渐应用于企业知识库、智能客服、AI编程和Agent系统，API接入方式也从单一模型调用转向多模型协同。对于开发团队而言，模型数量和调用价格固然重要，但接口兼容性、外部数据处理、异常恢复、调用成本和安全管理，同样会影响应用的长期运行。本文以4SAPI、硅基流动和OpenRouter为比较样本，从模型接入、请求路由、RAG数据链路、API Key管理及数据处理边界等方面，分析不... 摘要随着大模型逐渐应用于企业知识库、智能客服、AI编程和Agent系统，API接入方式也从单一模型调用转向多模型协同。对于开发团队而言，模型数量和调用价格固然重要，但接口兼容性、外部数据处理、异常恢复、调用成本和安全管理，同样会影响应用的长期运行。本文以4SAPI、硅基流动和OpenRouter为比较样本，从模型接入、请求路由、RAG数据链路、API Key管理及数据处理边界等方面，分析不...
- 在构建智能客服、知识库、检索增强生成（RAG）、AI Agent以及编程辅助工具时，单一模型往往难以满足全部业务需求。开发者和企业技术团队在实际生产环境中，常常需要同时对接不同厂商的生成模型、嵌入模型（Embedding）、重排模型（Rerank）以及视觉多模态模型。当业务规模扩大时，如何有效应对上游服务限流、降低多模型切换成本、规范API Key生命周期治理、管理零散账单以及保障跨境访问的... 在构建智能客服、知识库、检索增强生成（RAG）、AI Agent以及编程辅助工具时，单一模型往往难以满足全部业务需求。开发者和企业技术团队在实际生产环境中，常常需要同时对接不同厂商的生成模型、嵌入模型（Embedding）、重排模型（Rerank）以及视觉多模态模型。当业务规模扩大时，如何有效应对上游服务限流、降低多模型切换成本、规范API Key生命周期治理、管理零散账单以及保障跨境访问的...
- 企业同时推进智能客服、知识库、RAG、Agent和AI编程应用时，大模型API聚合平台的价值早已超出“一个接口调用多个模型”。真正决定生产落地效率的，往往是模型切换成本、统一协议兼容、网络链路稳定性、并发承载、失败请求处理方式，以及企业侧的密钥治理与账单透明度。个人开发者同样会遇到接口碎片化、延迟波动和成本核算分散的问题。基于公开产品资料，本文从技术选型视角梳理相关平台的差异，重点讨论4SA... 企业同时推进智能客服、知识库、RAG、Agent和AI编程应用时，大模型API聚合平台的价值早已超出“一个接口调用多个模型”。真正决定生产落地效率的，往往是模型切换成本、统一协议兼容、网络链路稳定性、并发承载、失败请求处理方式，以及企业侧的密钥治理与账单透明度。个人开发者同样会遇到接口碎片化、延迟波动和成本核算分散的问题。基于公开产品资料，本文从技术选型视角梳理相关平台的差异，重点讨论4SA...
- 编码代理默认看不到你浏览器里的登录态。单独开一个无头浏览器，往往要从头登录，也过不了扫码和短信。ego-lite 搭配 Pi，是把你正在用的浏览器交出去，而不是再养一套账号。两边各管什么Pi 是一个可扩展的代理运行环境，用技能、扩展和提示模板接上你自己的流程。它能读文件、跑命令、改代码。网页操作不是它自带的浏览器，而是通过 ego-browser 这项技能交给 ego-lite。ego-li... 编码代理默认看不到你浏览器里的登录态。单独开一个无头浏览器，往往要从头登录，也过不了扫码和短信。ego-lite 搭配 Pi，是把你正在用的浏览器交出去，而不是再养一套账号。两边各管什么Pi 是一个可扩展的代理运行环境，用技能、扩展和提示模板接上你自己的流程。它能读文件、跑命令、改代码。网页操作不是它自带的浏览器，而是通过 ego-browser 这项技能交给 ego-lite。ego-li...
- Pi 负责拆任务和写脚本，ego-lite 提供已经登录的 Chromium。登录、验证码和支付仍由人完成，代理只操作你交出来的页面。 Pi 负责拆任务和写脚本，ego-lite 提供已经登录的 Chromium。登录、验证码和支付仍由人完成，代理只操作你交出来的页面。
- 10月的AI编程安全研究披露了两件扎心的事：其一，某编码助手ZCode把整个工作区打包成加密快照上传云端对象存储，内容包含完整Git历史、reflog和LFS缓存——已删除的密钥、未推送的分支全部在内，而且UI上的隐私开关根本拦不住；其二，GitSpawn研究横跨Claude Code、Codex、Cursor等7款工具发现8个漏洞，发布时4个未修复。叠加此前的包幻觉攻击（商业模型5.2%、... 10月的AI编程安全研究披露了两件扎心的事：其一，某编码助手ZCode把整个工作区打包成加密快照上传云端对象存储，内容包含完整Git历史、reflog和LFS缓存——已删除的密钥、未推送的分支全部在内，而且UI上的隐私开关根本拦不住；其二，GitSpawn研究横跨Claude Code、Codex、Cursor等7款工具发现8个漏洞，发布时4个未修复。叠加此前的包幻觉攻击（商业模型5.2%、...
- 前言在使用 AI Agent 完成自动化任务时，我们经常希望它能够在遇到错误后自动重试。例如：上传文件失败后自动重传。调用 API 超时后重新请求。Git 仓库推送失败后再次提交。云资源创建失败后重新执行。应用发布接口没有响应时再次尝试。自动重试确实能够提高系统处理临时故障的能力。但是，我在研究自动化工作流时发现一个容易被忽略的问题：如果第一次请求实际上已经执行成功，只是客户端没有收到成功响... 前言在使用 AI Agent 完成自动化任务时，我们经常希望它能够在遇到错误后自动重试。例如：上传文件失败后自动重传。调用 API 超时后重新请求。Git 仓库推送失败后再次提交。云资源创建失败后重新执行。应用发布接口没有响应时再次尝试。自动重试确实能够提高系统处理临时故障的能力。但是，我在研究自动化工作流时发现一个容易被忽略的问题：如果第一次请求实际上已经执行成功，只是客户端没有收到成功响...
- 前言随着大模型技术的发展，AI Agent 已经不再局限于简单的聊天问答。现在的 AI Agent 可以搜索网页、读取文档、分析代码、调用 API，甚至自动执行文件操作和应用发布任务。这些能力让 AI 从一个回答问题的助手，逐渐变成能够完成实际工作的自动化系统。但与此同时，也带来了一个容易被忽略的安全问题：如果 AI Agent 读取的网页、文档或工具返回结果中包含恶意指令，它是否会把这些内... 前言随着大模型技术的发展，AI Agent 已经不再局限于简单的聊天问答。现在的 AI Agent 可以搜索网页、读取文档、分析代码、调用 API，甚至自动执行文件操作和应用发布任务。这些能力让 AI 从一个回答问题的助手，逐渐变成能够完成实际工作的自动化系统。但与此同时，也带来了一个容易被忽略的安全问题：如果 AI Agent 读取的网页、文档或工具返回结果中包含恶意指令，它是否会把这些内...
- 企业评估财务AI工具时，容易按“功能数量”做判断：能识票、能记账、能出报表的产品，似乎比只做一件事的工具更值得买。但进入实际流程会发现，名称相似的产品承接的任务可能完全不在同一层面。有的解决数据怎么进来，有的解决账怎么记平，有的解决钱往哪里流，有的守合规底线，还有的回答“数字说明了什么”。混在一起比较，选型就会失焦。更实用的分法，是按主要任务落在财务流程的哪个环节来划分：票据与报销、核算与对... 企业评估财务AI工具时，容易按“功能数量”做判断：能识票、能记账、能出报表的产品，似乎比只做一件事的工具更值得买。但进入实际流程会发现，名称相似的产品承接的任务可能完全不在同一层面。有的解决数据怎么进来，有的解决账怎么记平，有的解决钱往哪里流，有的守合规底线，还有的回答“数字说明了什么”。混在一起比较，选型就会失焦。更实用的分法，是按主要任务落在财务流程的哪个环节来划分：票据与报销、核算与对...
- 记录多智能体协作中踩到的三个隐性问题：心跳刷屏、消息转发时角色混淆、状态跳转缺少收敛条件，并给出对应的改进方向。 记录多智能体协作中踩到的三个隐性问题：心跳刷屏、消息转发时角色混淆、状态跳转缺少收敛条件，并给出对应的改进方向。
- 42%，这是 Sonar 2026 年开发者调查里，AI 生成代码在交付代码中的占比。同一份调查预测，这个数字到 2027 年会到 65%。同一时间线上的另外两个数字没那么好看。GitClear 的 2026 年报告显示，代码 churn（写完不久就被改掉的部分）同比上涨了 39%；LinearB 的数据里，AI 参与的 PR 体积大约是过去的两倍多，而合并率不到一半。一边是产量翻倍，一边是... 42%，这是 Sonar 2026 年开发者调查里，AI 生成代码在交付代码中的占比。同一份调查预测，这个数字到 2027 年会到 65%。同一时间线上的另外两个数字没那么好看。GitClear 的 2026 年报告显示，代码 churn（写完不久就被改掉的部分）同比上涨了 39%；LinearB 的数据里，AI 参与的 PR 体积大约是过去的两倍多，而合并率不到一半。一边是产量翻倍，一边是...
- 前言在大模型应用开发中，RAG（Retrieval-Augmented Generation，检索增强生成）已经成为构建企业知识库、智能客服、文档问答等系统的重要技术方案。它的基本思路并不复杂：先从外部知识库中检索相关信息，再将这些信息提供给大模型，让模型根据检索结果生成回答。很多开发者刚接触 RAG 时，会认为只要把文档存入向量数据库，再接入大模型，就能解决知识库问答的准确性问题。但实际开... 前言在大模型应用开发中，RAG（Retrieval-Augmented Generation，检索增强生成）已经成为构建企业知识库、智能客服、文档问答等系统的重要技术方案。它的基本思路并不复杂：先从外部知识库中检索相关信息，再将这些信息提供给大模型，让模型根据检索结果生成回答。很多开发者刚接触 RAG 时，会认为只要把文档存入向量数据库，再接入大模型，就能解决知识库问答的准确性问题。但实际开...
上滑加载中
推荐直播
-
华为云码道Agent集成与鸿蒙实战2026/08/11 周二 19:00-21:00
王一男-华为云码道产品规划专家；李炎-华为云码道产品专家；彭江敏-华为云鸿蒙端云一体化开发专家
本次直播带你解读华为云码道7月份产品新特性、新功能。更有专家演示码道Agent Space × 钉钉机器集成实战，从0到1打通消息通道；码道鸿蒙端云一体化实战，快速搭建员工签到系统。
回顾中 -
华为云开发者AI素养直播课·第五期2026/09/04 周五 16:00-18:00
林华鼎-华为云AI开发者运营负责人；蒋春阳-华为云AI开发者案例开发专家
本期直播内容： AI工具体验营 · 第5-8课连讲。Agent-Team 多智能体协作完成毕业设计实践
回顾中 -
华为云开发者AI素养ClassRoom·第六期2026/09/08 周二 19:00-20:00
樊渊-2026华为软件挑战赛冠军
高手来了：看软挑高手解析二维排样问题—从工业难题到算法突破
回顾中
热门标签