通义甩出王炸!通义DeepResearch:首个媲美OpenAI的开源网络智能体

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品) 阅读详情

前言

通义DeepResearch:开启开源 AI 研究智能体的新纪元

从聊天机器人到自主智能体

最近,阿里团队推出了 **通义深度研究 (Tongyi DeepResearch)**,这是首个完全开源的网络智能体 (Web Agent),在一系列基准测试中,它的表现足以和 OpenAI 的同类研究智能体相媲美。

通义深度研究展现了当前最顶尖的水平,具体来看:

  • 在学术推理任务 HLE (Humanity’s Last Exam) 中得分 32.9
  • 在极其复杂的信息检索任务 BrowseComp 中得分 43.4
  • 在中文信息检索任务 BrowseComp-ZH 中得分 46.7
  • 在以用户为中心的 xbench-DeepSearch 基准测试中得分 75

这些成绩全面超越了市面上所有现有的闭源和开源同类研究智能体。

除了模型本身,该项目还分享了一套完整且经过实战检验的方法论,揭示了如何打造这样一个先进的智能体。其核心贡献在于一套新颖的数据合成方案,这套方案贯穿了整个训练流程——从用于冷启动的智能体持续预训练 (Agentic CPT) 和监督微调 (SFT),一直到最后的强化学习 (RL) 阶段。

特别是在强化学习方面,团队提供了一套全栈解决方案,涵盖了算法创新、自动化数据整理和强大的基础设施。而在推理层面,通用的 ReAct 框架展示了模型无需任何提示工程就具备的强大内在能力;而先进的“重度模式” (Heavy Mode) 则进一步挖掘了其复杂推理和规划能力的上限。

全合成数据驱动:从持续预训练到后训练

持续预训练数据

为了给后续的训练流程打下一个坚实的智能体基础模型,团队首次将智能体持续预训练 (Agentic CPT) 的概念引入研究型智能体的训练中。为此,他们提出了 AgentFounder,一个系统化、可扩展的大规模数据合成方案,它通过整个后训练流程的数据,创造了一个数据飞轮。

1. 数据重组与问题构建这个方案会持续从各种来源收集数据,包括文档、公开网页数据、知识图谱,以及历史轨迹和工具调用记录(比如带链接的搜索结果)。如下图所示,这些五花八门的数据源被重构成以实体为核心的开放世界知识记忆库。然后,基于随机采样的实体及其相关知识,生成各种风格的(问题,答案)对。

轨迹合成流程

2. 动作合成基于多样化的问题和历史轨迹,团队构建了两种动作合成数据:一阶动作和高阶动作。这种方法能够在离线环境中大规模、全面地探索潜在的推理-行动空间,从而避免了对商业工具 API 的额外调用。特别是在高阶动作合成中,轨迹被重塑为多步决策过程,以此来增强模型的决策能力。

后训练数据

高质量的合成问答对

为了突破 AI 智能体的性能极限,团队开发了一套端到端的全自动化数据合成解决方案。这个过程无需任何人工干预,就能构建出超高质量的数据集。这套方法经过了长期的探索和迭代——从早期通过逆向工程从点击流生成问答对(WebWalker),到更系统的基于图谱的合成方法(WebSailor),再到形式化的任务建模(WebShaper),最终确保了卓越的数据质量和大规模的可扩展性。

为了解决那些复杂且不确定性高的问题,团队通过一个新颖的流程来合成基于网络的问答数据。

  1. 首先,通过随机游走和同构表构建,从真实网站数据中建立高度互联的知识图谱,确保了信息的真实结构。
  2. 然后,对子图和子表进行采样,生成初始的问题和答案。
  3. 最关键的一步,是通过巧妙地模糊或混淆问题中的信息来刻意增加难度。这种方法背后有完整的理论框架支撑,将问答难度形式化建模为实体关系上的一系列可控“原子操作”(例如,合并属性相似的实体),从而能够系统地提升问题的复杂度。

此外,为了进一步减少结构化信息与问答推理结构之间的差异,实现更可控的难度扩展,团队基于集合论对信息检索问题进行了形式化建模。通过这种形式化,开发出的智能体能够以受控的方式扩展问题,最大限度地减少推理捷径和结构冗余,进一步提高了问答质量。同时,这种形式化建模也让问答正确性的验证变得高效,解决了后训练中合成数据验证的难题。

不仅如此,团队还开发了一个自动化数据引擎,用于生成博士级别的研究问题。这个引擎首先建立一个多学科知识库,生成需要跨来源推理的“种子”问答对。然后,每个种子都会进入一个自引导的“迭代式复杂性提升”循环。在这个循环中,一个问题构建智能体配备了网络搜索、学术检索和 Python 执行环境等强大工具。在每次迭代中,智能体不断扩展知识边界、深化概念抽象,甚至构建计算任务,形成一个良性循环:上一轮的输出成为下一轮更复杂的输入,确保了任务难度可控且系统性地升级。

通过 SFT 冷启动提升智能体能力

为了提升模型的初始能力,团队基于 ReAct 和新提出的 IterResearch 框架(下文会详述),通过拒绝采样构建了一批 SFT 轨迹数据。

  • 一方面,ReAct 作为经典的多轮推理格式,为模型注入了丰富的推理行为,并强化了其遵循结构化格式的能力。
  • 另一方面,团队引入了 IterResearch,这是一种创新的智能体范式。它通过在每一轮动态重建一个精简的工作空间,来释放模型的全部推理潜力,确保每个决策都经过深思熟虑。利用 IterResearch,团队构建了一批融合了推理、规划和工具使用的轨迹,从而增强了模型在面对复杂任务时持续规划的能力。

推理模式

在研究智能体的推理范式上,团队进行了广泛的探索。最终的模型支持多种推理格式,包括原生的 ReAct 模式和带上下文管理的“重度模式”。

原生 ReAct 模式

这个模型在原生的 ReAct 推理模式下,无需任何提示工程(Prompt Engineering)就能展现出卓越的性能。它严格遵循“思考-行动-观察”的循环,通过多次迭代来解决问题。得益于 128K 的模型上下文长度,它可以处理大量的交互轮次,充分发挥与环境扩展交互的潜力。ReAct 的简洁和通用性,最清晰地证明了模型内在的能力和训练流程的有效性。

选择 ReAct 在很大程度上是受到了 AI 领域的“惨痛教训” (The Bitter Lesson) 理论的启发,该理论认为,利用可扩展计算的通用方法,最终将超越那些依赖复杂、人为设计的知识和精巧设计的方法。

重度模式 (Heavy Mode)

除了原生的 ReAct 模式,团队还开发了专为复杂、多步研究任务设计的“重度模式” (Heavy Mode)。该模式基于新的 IterResearch 范式构建,旨在将智能体的能力推向极限。

IterResearch 范式的提出是为了解决一个痛点:当智能体把所有信息都堆积在一个不断膨胀的上下文中时,容易出现“认知窒息”和“噪音污染”。而 IterResearch 则将任务分解为一系列的“研究回合”。

IterResearch 范式

在每个回合中,智能体只利用上一回合最核心的结果来重建一个精简的工作空间。在这个专注的工作空间里,智能体分析问题,将关键发现整合到一份持续更新的中心报告中,然后决定下一步行动——是收集更多信息,还是给出最终答案。这种“合成与重建”的迭代过程,让智能体在漫长的任务中也能保持清晰的“认知焦点”和高质量的推理。

在此基础上,团队还提出了“研究-合成”框架。在该模型中,多个研究智能体利用 IterResearch 过程并行探索问题。最后,一个合成智能体负责整合它们提炼出的报告和结论,从而产生一个更全面的最终答案。这种并行结构让模型能在有限的上下文窗口内探索更广泛的研究路径,将其性能推向极限。

端到端的智能体训练流程

训练流程图

为了训练出这样的智能体模型,整个模型训练流程都需要被重新思考,从预训练、微调到强化学习。团队为智能体模型训练建立了一种新范式,将 智能体 CPT → 智能体 SFT → 智能体 RL 连接起来,为 AI 智能体创建了一个无缝的端到端训练闭环。下面重点介绍最后阶段——强化学习是如何实现的,这对校准智能体的行为至关重要。

在线智能体强化学习 (RL)

用强化学习来构建高质量的智能体,是一项复杂的系统工程挑战。如果把整个开发过程看作一个“强化学习”循环,那么任何一个环节的不稳定或不健壮,都可能导致错误的“奖励”信号。以下是团队在强化学习方面的实践经验,涵盖算法和基础设施两个方面。

在强化学习算法方面,团队取得了多项突破,采用了一种定制的在线 (on-policy) 组相对策略优化 (Group Relative Policy Optimization, GRPO) 算法。

  • 首先,采用严格的在线训练方案,确保学习信号始终与模型当前的能力相关。
  • 其次,为了进一步减少优势估计的方差,采用了留一法 (leave-one-out) 策略。
  • 此外,对负样本采取保守策略,因为未经筛选的负样本轨迹会显著降低训练稳定性,甚至在长时间训练后导致“格式崩溃”。为此,团队会选择性地将某些负样本排除在损失计算之外(例如,那些因超长而未能产生最终答案的样本)。

从训练动态来看,学习是有效的,奖励呈现持续上升趋势。同时,策略熵保持在较高水平,表明模型在持续探索,避免了过早收敛。

一个有趣的发现是,算法虽然重要,但可能不是智能体强化学习成功的唯一决定因素。数据和训练环境的稳定性,可能才是决定强化学习成败的关键。团队曾尝试直接在 BrowseComp 测试集上训练模型,但效果远不如使用合成数据。推测原因在于,合成数据提供了一个更一致的分布,让模型能更有效地学习和泛化。相比之下,人工标注的数据(如 BrowseComp)本身就更嘈杂,且规模有限,难以形成一个可学习的潜在分布。

在基础设施方面,训练一个带工具的智能体需要一个高度稳定和高效的环境:

  • 模拟训练环境: 依赖实时网络 API 进行开发成本高、速度慢且不稳定。团队通过创建一个使用离线维基百科数据库和定制工具套件的模拟训练环境来解决这个问题。这个平台经济高效、快速可控,极大地加速了研究和迭代。
  • 稳定高效的工具沙箱: 为了确保工具使用的可靠性,团队开发了一个统一的沙箱。该沙箱通过缓存结果、重试失败调用以及使用备用 API 等方式来优雅地处理并发和故障,为智能体提供了快速和确定性的体验。
  • 自动化数据整理: 数据是模型能力提升的核心驱动力。为了应对这一挑战,团队通过训练的动态过程来实时优化数据。一个完全自动化的数据合成和过滤管道会动态调整训练集,通过打通数据生成与模型训练的闭环,不仅确保了训练稳定性,也带来了显著的性能提升。
  • 在线异步框架: 基于 rLLM,团队实现了一个定制的步级异步强化学习训练循环。多个智能体实例并行地与环境交互,每个实例都生成轨迹。

通过这些措施,整个智能体训练流程形成了一个“闭环”。从一个原始模型开始,通过 CPT 预训练初始化工具使用技能,然后用专家级数据进行 SFT 冷启动,最后进行在线强化学习,让模型自我演进。这种全栈方法为训练能够在动态环境中稳健解决复杂任务的 AI 智能体,提出了一种新的范式。

实际应用与影响

通义深度研究不仅仅是一个技术展示,它已经在阿里内外的实际应用中发挥价值:

  • 高德地图伴侣(小高): 团队与高德合作,共同开发了 AI 副驾“小高”。它能利用高德应用的丰富工具集,执行复杂的旅行规划指令,比如创建一个包含特定景点和宠物友好酒店的多日自驾游路线。通过多步推理,小高能自主研究并整合信息,生成详细的个性化行程。

  • 通义法睿(法律研究智能体): 在深度研究架构的赋能下,法睿成为了一个真正的法律智能体。它能自主执行复杂的多步研究任务,模拟初级法律助理的工作流程——系统性地检索判例法、交叉引用法规并综合分析。更重要的是,所有结论都基于可验证的司法来源,并附有精确的判例和法规引用,确保了专业级的准确性和可信度。

通义法睿

局限性

未来的工作将主要解决三个关键局限性:

  1. 上下文长度: 当前 128K 的上下文长度对于最复杂的长程任务仍然不够,需要探索扩展上下文窗口和更复杂的信息管理技术。
  2. 模型规模: 当前的训练流程在远超 30B 规模的 MoE 基础模型上的可扩展性尚未得到验证。
  3. RL 效率: 计划通过研究部分推演等技术来提高强化学习框架的效率,这将需要解决离线策略训练带来的分布偏移等挑战。

最后

为什么要学AI大模型

当下,⼈⼯智能市场迎来了爆发期,并逐渐进⼊以⼈⼯通⽤智能(AGI)为主导的新时代。企业纷纷官宣“ AI+ ”战略,为新兴技术⼈才创造丰富的就业机会,⼈才缺⼝将达 400 万!

DeepSeek问世以来,生成式AI和大模型技术爆发式增长,让很多岗位重新成了炙手可热的新星,岗位薪资远超很多后端岗位,在程序员中稳居前列。

在这里插入图片描述

与此同时AI与各行各业深度融合,飞速发展,成为炙手可热的新风口,企业非常需要了解AI、懂AI、会用AI的员工,纷纷开出高薪招聘AI大模型相关岗位。
在这里插入图片描述
最近很多程序员朋友都已经学习或者准备学习 AI 大模型,后台也经常会有小伙伴咨询学习路线和学习资料,我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料,这些学习资料不仅深入浅出,而且非常实用,让大家系统而高效地掌握AI大模型的各个知识点。

这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

AI大模型系统学习路线

在面对AI大模型开发领域的复杂与深入,精准学习显得尤为重要。一份系统的技术路线图,不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点,还能提供一条高效、有序的学习路径。

img

但知道是一回事,做又是另一回事,初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性,在这基础上,找到高质量的学习资源,不浪费时间、不走弯路,又是重中之重。

AI大模型入门到实战的视频教程+项目包

看视频学习是一种高效、直观、灵活且富有吸引力的学习方式,可以更直观地展示过程,能有效提升学习兴趣和理解力,是现在获取知识的重要途径

在这里插入图片描述
光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
在这里插入图片描述

海量AI大模型必读的经典书籍(PDF)

阅读AI大模型经典书籍可以帮助读者提高技术水平,开拓视野,掌握核心技术,提高解决问题的能力,同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说,阅读经典书籍是非常有必要的。
在这里插入图片描述

600+AI大模型报告(实时更新)

这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。
在这里插入图片描述

AI大模型面试真题+答案解析

我们学习AI大模型必然是想找到高薪的工作,下面这些面试题都是总结当前最新、最热、最高频的面试题,并且每道题都有详细的答案,面试前刷完这套面试题资料,小小offer,不在话下
在这里插入图片描述

在这里插入图片描述

这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

添加odbc数据源时的一些问题和解决办法 pl/sql 阅读详情

相关推荐

S32K144 LPI2C Master/Slave模式配置与多设备通信实战

本文详细介绍了NXP S32K144微控制器中LPI2C模块的主从模式配置与多设备通信实战。内容涵盖硬件连接、引脚配置、主从模式深度设置、中断/DMA应用,并通过AT24C16 EEPROM、SHT30传感器等实例,解析了多设备通信中的地址切换、时序控制及常见问题排查技巧,帮助开发者高效实现基于LPI2C的稳定通信。

weixin_29158047的博客 271

字节、百度等七大主流AI智能体平台特性、功能与应用

零代码 / 低代码开发:无需复杂的编程知识,通过简单的操作即可快速搭建智能体应用,降低了开发门槛,使非技术人员也能参与到智能体的创建中多功能 Bot:智能体不仅可以作为聊天机器人,还能实现内容创作、数据分析以及文档处理等多种复杂业务流程,满足不同用户的多样化需求图像流处理:支持对图像的获取、生成、编辑和发布等功能进行可视化组合,实现稳定的图像处理流程编排,拓展了智能体在图像领域的应用能力。

star_nwe的博客 8396

乐鑫ESP32-C6产测全流程:RAM固件测试与阈值校准实战指南

Wi-Fi模组量产测试是保障IoT设备射频性能与硬件可靠性的关键环节,其核心在于基于RAM的无损固件加载、可配置的阈值判定机制及多工位协同控制。该流程依托串口协议与结构化配置(如JSON阈值文件、.bin测试固件),实现RF性能(fb_rssi、tx_power)、GPIO导通性、Flash ID识别与固件版本校验等原子化测试项的自动化执行。技术价值体现在避免Flash擦写风险、支持动态温补与在线学习校准,并无缝对接MES系统实现质量数据闭环。典型应用场景包括ESP32-C6/C3/S2等乐鑫全系Wi-Fi

weixin_35756690的博客 312

快速创建口播数字人,生成视频方便还免费 | 用通义AI智能体创建数字人手把手教程

在内容创作领域,特别个性化视频内容创作,AI提供了前所未有的便利。我们可以使用通义AI智能体快速创建一个口播数字人,用它,可以生成适用于不同场景的视频内容,比如朗读、演讲、营销等等。与商业化的直播数字人不同,这一切都是免费的,免费的,免费的!一、准备工作第一步,使用电脑浏览器(最好是Chrome)打开通义AI的官方主页tongyi.ai,在左侧找到“智能体”按钮,点开。如果你已经创建过智能体,它们会显示在“我的智能体”下,你也可以搜索别人已经发布的智能体。

h1453586413的博客 8576

Android 12 HAL开发避坑实录:手把手教你用AIDL在Native层实现一个可开机自启动的Service

本文详细介绍了在Android 12 HAL开发中,如何通过AIDL在Native层实现一个可开机自启动的Service。从环境准备、AIDL接口定义、服务实现到VINTF集成与SELinux策略配置,提供了完整的实战指南,帮助开发者避开常见陷阱,提升开发效率。

weixin_28314575的博客 322

【高低温试验】试验报告模板

高低温循环试验,验证被测设备(DUT)在极端高温、低温环境下的性能稳定性、功能可靠性及安全性,确保其符合设计规范和相关标准(如GB/T 2423.1、GB/T 2423.2)。:验证设备在剧烈温度变化下的耐受能力(如-40℃↔+85℃,温变速率≥10℃/min)。低温测试标准:GB/T 2423.2-2008(温度-40℃,保持时间4小时):模拟高温高湿环境(如温度+60℃,湿度95%RH),测试防潮性能。

电路巫师把一切不可能变成不可能 1566

小学生也能听得懂的大模型 - Transformer 1

参考 [小学生也能听得懂的大模型 Transformer 1]

2401_85325557的博客 1739

企业微信群机器人配置全攻略:从零到消息推送的完整流程

本文详细介绍了企业微信群机器人的配置与使用全流程,从零开始指导如何创建机器人、获取Webhook地址,到通过HTTP请求发送文本、Markdown、图片及模板卡片等多种消息类型。内容涵盖核心的接口配置、安全实践及实战应用场景,帮助开发与运维团队快速构建自动化消息推送中枢,提升协作效率。

weixin_29231725的博客 852

selenium半自动化上传通义千问智能体-小白篇

最近因工作需要,要在通义千问大模型平台创建自己的智能体。话说其本身创建流程并不复杂,名称、简介、开场白等等这些数据也都是准备好的,但创建数量居多,也着实令人头大!!!于是乎,我准备写一个自动化脚本来帮助我创建这些该s的智能体。接下来,说干就干!

huiran123的博客 1576

第4章-上下文管理-对话历史记忆系统与窗口优化-《Agentic AI 智能体应用开发》

当上下文窗口接近极限时,需要对已有内容进行压缩。压缩不是简单的截断——你需要保留核心语义,去除冗余。# Python: 对话摘要压缩# 使用 Haiku 做摘要任务,成本最低"""将一段对话历史压缩为摘要"""system="你是一个对话摘要专家。请生成简洁但有信息量的摘要。",f"'用户'

AI天才研究院 252

Vue + ECharts:从零构建智慧农业数据监控大屏(附完整源码)」 「超实用!一步步实现智慧农业大屏,完整代码+讲解」 「前端新手友好:Vue + ECharts 打造炫酷农业数据大屏」 「

Vue + ECharts:从零构建智慧农业数据监控大屏(附完整源码)」 「超实用!一步步实现智慧农业大屏,完整代码+讲解」 「前端新手友好:Vue + ECharts 打造炫酷农业数据大屏」 「前端可视化项目实战:智慧农业监控大屏开发详解」 「农作物可视化监控:用 Vue 和 ECharts 构建大屏应用」 「从零开始开发一个智慧农业数据大屏(代码+图表展示)」 「前端新手也能实现!智慧农业监控大屏开发教程」 「用 Vue 和 ECharts 搭建动态数据大屏:详细图文教程」 「学习前端大屏开发:

sky10100100的博客 1535

阿里出手了!通义正式开源网络智能体WebSailor,网络冲浪要变天?

通义实验室开源网络智能体WebSailor在BrowseComp评测集登顶,超越DeepSeekR1等模型。该智能体采用创新训练方法,具备复杂推理和检索能力,能处理模糊问题并快速验证答案。WebSailor-32B/72B版本在开源和闭源模型中表现优异,仅次于OpenAI DeepResearch。团队构建了高难度数据集SailorFog-QA,并开发DUPO强化学习算法提升训练效率。WebSailor展现了强大的泛化能力,在普通任务数据集上也优于其他方法。

2401_84204413的博客 1229

基于未来出行解决方案的场景实例:城市空中交通(UAM)的飞行路径规划与避障

本文介绍了使用Simulink进行城市空中交通(UAM)飞行路径规划与避障的仿真方法。主要内容包括:1)UAM系统架构与核心挑战;2)详细建模步骤,从城市3D环境构建到飞行器动力学模拟;3)全局路径规划(A*/RRT*)和局部避障(DWA/APF)算法实现;4)多机协同与冲突解决;5)关键场景仿真与性能评估;6)高级功能拓展方向。通过Simulink的数字孪生系统,可有效验证UAM在复杂城市环境中的可行性,为未来立体交通发展提供技术支撑。

xiaoheshang_123的博客 258

通义甩出王炸!首个全开源DeepResearch诞生,性能硬刚OpenAI!

通义DeepDeepResearch:开启开源 AI 研究智能体的新纪元。

yanqianglifei的专栏 2027

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

通义 DeepResearch:开源 AI 智能体的新纪元

通义 DeepResearch —首个在性能上可与 OpenAI DeepResearch 相媲美、并在多项权威基准测试中取得领先表现的全开源 Web Agent。

DashVector向量检索服务 1339

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

社交直男逆袭!通义AMPO炼成“多面脑回路”智能体,自适应推理秒切4种人格

为此,作者提出了自适应模式策略优化 (AMPO) 算法,该算法在其优势估计中同时融合了模式级和样本级信息,以促进自适应思考学习,使 LLM 能够在模式级识别适合当前场景的思考模式,并在样本级优化给定模式中的特定思考内容。为了确保模型遵循思考模式,作者引入了格式奖励,用于惩罚那些偏离思考模式的行为。开发了自适应模式策略优化(AMPO)算法:充分考虑了思考模式层面和样本层面的信息,通过动态切换思考模式来应对情境变化,在保证效果的同时也确保了 token 使用的效率,使社会智能体具备了自适应思考的能力。

Paper weekly 1040

通义WebSailor:开启网络智能体新时代

通义 WebSailor 以其强大的推理与检索能力、创新的训练方法以及优异的评测成绩,在人工智能领域尤其是网络智能体方向上留下了浓墨重彩的一笔。它不仅展示了阿里云通义实验室在人工智能技术研发上的深厚实力,也为整个开源社区和人工智能产业的发展注入了新的活力。从技术层面来看,WebSailor 的创新训练方法,如 SailorFog-QA 数据集的构建、推理逻辑的重构以及 DUPO 算法的应用,为人工智能模型的训练提供了新的思路和方法。

阿里云_腾讯云_华为云_优惠政策_技术支持 1330

通义实验室发布AgentScope 1.0新一代智能体开发框架

通义实验室发布AgentScope1.0智能体开发框架,支持多智能体的全生命周期管理。该框架采用三层技术架构(核心框架、Runtime和Studio),提供开发、部署和监控的一站式解决方案。其特点包括智能上下文管理、高效工具调用机制,以及通过工具沙箱保障安全性。AgentScope1.0为开发者提供了灵活、稳定且安全的智能体开发环境,适用于复杂多智能体系统的构建需求。项目已在GitHub开源。

Tomdac的博客 907

什么是智能体?常用的AI智能体汇总,建议收藏!!

智能体(Agent)指能感知环境、采取行动实现特定目标的代理体,形式涵盖软件、硬件或系统,具备自主性、适应性与交互能力。

ice_99的博客 7988

Go 的 GODEBUG 机制详解:标准库行为变更的兼容性开关

GODEBUG 是 Go 为"允许但不完全向后兼容"的变更准备的官方回退机制。本文基于 Go 仓库中的 [GODEBUG 完整文档](https://link.gitcode.com/i/8b18d26f07f69fd32e955e00fdd8d024),结合 `internal/godebug`、`internal/godebugs`、`runtime` 与 `cmd/go` 的源码实现,系统讲

gitblog_00601的博客 720

国内12款AI Agent智能体合集丨快来选一款你能用的

实在智能的实在 Agent 是一款基于 AI+RPA 技术的企业和个人用户“文生智能助理”,它允许用户通过一段文字/语音传达指令,即可模拟人类操作和决策流程,实现企业业务流程的自动化和智能化,提升工作效率和准确性。文心大模型是一个知识增强的 NLP(自然语言处理)大模型,通过结合通用数据和行业特有数据,提供强大的语言理解和生成能力。通义千问模型是一款超大规模预训练语言模型,通过深度学习和大数据分析,提供精准的知识问答、文本理解和多语言处理能力。

企业级智能体,全行业解决方案,5000+企业签约,海量场景覆盖。 6777

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 353

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 296

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 620

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 211

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 347

OpenClaw 深度调查:把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调:Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图,全部数字标注口径,数据截至 2026-10-31。

厚积薄发 363
上一篇: 【AI大模型】一文搞懂多模态大模型,从“文字专家“到“全能感知者“,零基础小白收藏这一篇就够了!!
下一篇: AI大模型术语详解(收藏版):从小白到程序员必知的7大核心概念,看到就是赚到!!
Agent学习路线
博客等级 码龄6年 1万+粉丝 1909原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值