机器之心报道 最近，很多 AI 大佬一反常态，对未来做出了超出预期的乐观预测。 诺贝尔奖获得者、AI 先驱 Geoffrey Hinton 表示，人工智能将在多个领域「取代所有人」，只有顶尖技能人才能够找到 AI 无法处理的工作。 特斯拉前负责人 Andrej Karpathy 在演讲中也认为，我们正在进入「软件 3.0」时代，自然语言在成为新的编程接口，大模型会完成剩下的工作。 作者：泽南、陈陈 Code is cheap, show me the talk. 正在让 AI 能力大幅提升的技术被称为智能体（Agentic AI），它能够长时间独立运行、感知环境，自主使用各种工具来完成复杂任务。 最近有研究甚至证明，智 能体也遵循大语言模型的测试时扩展（Test-Time Scaling）规律，能够通过强推理不断提升解题能力。 事实上，智能化发展的过程比我们想象得还要快。正在上海举行的亚马逊云科技中国峰会上，我们看到了一系列基于大模型、Agentic AI 的创新和案例，让我们眼 花缭乱。 「通俗说来，Agentic AI 就是让基于大模型的 AI 从『我问 AI 答』、『我说 AI 写』发展到『我说 AI ...

《科创板日报》20日讯，华为首批50+鸿蒙智能体即将上线。基于鸿蒙智能体，消费者与鸿蒙系统、应 用的交互将发生根本改变，通过鸿蒙智能体系统级安全可信、自主可控的个性化、多智能体间高效协 同、多设备间自然流程等特质，真正从传统的"以用户指令为中心"转变为"以用户意图为中心"。 华为发布全新鸿蒙智能体 ...

近日，京东金融推出AI财富管家——京小贝。该产品以多模型融合与多智能体协同为核心，搭载京东 大模型与金融垂类模型，通过投资机会洞察、投研策略分析以及全周期陪伴式服务等一系列功能，助力 投资者全天候捕捉投资机会，打造更加智能化的财富管理新体验。 多模型融合：构建精准金融分析体系 多维度治理：降低AI金融"幻觉"风险 在金融场景应用中，AI存在"虚构数据""误判政策"等"幻觉"问题。京小贝通过接入京东金融平台数据， 运用持仓分析、行为建模及风险偏好追踪等手段，构建智能服务体系，降低误判风险。 在数据层面，京小贝打通京东金融全生态数据，包括交易、宏观经济等多源数据，并建立动态数据血缘 追踪系统，实时校验数据可靠性。在风险控制方面，京小贝通过多智能体协同机制，可自动监测资产组 合目标偏离情况，当组合波动率、最大回撤等风险指标与用户目标偏离度超出阈值时，系统自动触发风 险预警，策略智能体同步提出动态再平衡建议，将风险控制在预设范围内。 服务再革新：打造全流程陪伴体系 产品功能上，京小贝集成投资机会、智能分析、资产优化、风险预警、成长陪伴五大核心功能，并深度 嵌入京东金融APP，为用户提供市场洞察、策略分析等一站式服务， ...

6 月 27 日 -6 月 28 日， AICon 全球人工智能开发与应用大会北京站 即将拉开帷幕。本次大会 将汇聚 AI 前沿技术与落地实践，邀请来自腾讯、阿里、百度、字节跳动等头部大厂以及智谱、 硅基流动、智象未来、声智科技等 AI 企业的 50+ 资深专家，深度探讨 AI Agent、多模态应用、 推理性能优化以及 AI 在软件研发、数据分析、业务运营等场景的具体落地实践。 京东集团算法总监韩艾已确认出席并发表题为《 JDAgents-R1：基于强化学习的异构多智能体 联合进化算法 》的主题分享。多智能体强化学习（MARL）已成为处理日益复杂任务的重要范 式。然而，异构智能体之间的联合进化仍面临合作效率低与训练不稳定等挑战。为此，京东提出 了 一 种 面 向 MARL 的 联 合 进 化 算 法 框 架 JDAgents-R1 ， 该 方 法 首 次 将 组 相 对 策 略 优 化 （GRPO）应用于异构多智能体的联合训练中。通过迭代优化智能体的大语言模型（LLMs）与自 适应记忆机制，JDAgents-R1 实现了决策能力与记忆能力的动态均衡，并能有效减少重复推理、 加快训练收敛。在通用场景以及商家定 ...

港大、camel-ai 等多家机构联合提出了一种名为新的名为 Workforce 的创新多智能体框架，以及配套的 OWL（Optimized Workforce Learning）训练 方法，在通用 AI Assistant 的标杆基准测试 GAIA 上取得了 69.70% 的准确率，不仅刷新了开源系统的最佳纪录，更是超越了多家商业系统以及 OpenAI Deep Research 的开源方案。 该研究成果所有代码均已开源，目前已经在 github 上收获了 17k 的 star。 论文标题：OWL: Optimized Workforce Learning for General Multi-Agent Assistance in Real-World Task Automation 论文地址：https://arxiv.org/abs/2505.23885 项目代码：https://github.com/camel-ai/owl 背景与挑战：多智能体系统的 「 领域壁垒 」 随着 LLM 的飞速发展，单一智能体在处理复杂现实任务时逐渐暴露出局限性。为此，多智能体系统（MAS）应运而生，通过让多个专门化的智 ...

本文来自 Anthropic 官网的分享，详细阐述了他们是如何构建多智能体研究系统《How we built our multi-agent research system》。 他们研究发现， 多智能体系统最适合三类场景：高价值并行任务、超出单上下文窗口的信息处理、需要操作多个复杂工具的情况。需要共享上下文或存 在复杂依赖关系的场景目前并不适合多智能体方案。 下面是翻译全文： 我们的"研究"功能采用多智能体协作架构，让 Claude 能更高效地探索复杂课题。本文将分享系统构建过程中遇到的工程挑战与经验总结。 如今 Claude 已具备跨网络、Google Workspace 及各类集成系统进行信息检索的研究能力，以完成复杂任务。这套多智能体系统从原型到生产的实践历 程，让我们在系统架构、工具设计和提示工程等方面积累了宝贵经验。 多智能体系统由多个自主使用工具的 LLM 智能体协同工作，在我们的研究功能中，主智能体会根据用户查询规划研究流程，随后创建并行工作的子智能 体进行信息检索 。这类系统在智能体协调、评估与可靠性方面带来了全新挑战。 本文将拆解我们验证有效的设计原则，希望能为开发者构建多智能体系统提供参考 ...

播客内容由 listenhub 生成，懒得看的话也可以听 昨天最热的的两篇文章是关于多智能体系统构建的讨论。 先是 Anthropic 发布了他们在深度搜索多智能体构建过程中的一些经验，具体：包括多智能体系统的优势、架构概览、提示工程与评估、智能体的有效评估等方 面。 另外一边 Devin 的开发商 Cognition 的一个负责人 Walden 发布文章告诫大家不要构建多智能体，指出一些常见但实际效果不佳的方法，特别是多智能体架构的弊 端。 这篇文章主要就是结合两篇文章看一下 Cognition 提到的多智能体架构弊端和 Anthropic 给出的解决方案 。同时后面也会有两篇文章非常详细的总结。 什么是多智能体 多智能体系统由多个智能体（大型语言模型 [LLM] 自主地循环使用工具）协同工作组成。 在这种系统中，一个主智能体（或协调器）会根据用户查询规划研究过程，然后使用工具创建并行操作的子智能体，这些子智能体同时搜索信息。这种架构允许主 智能体协调整个过程，同时将任务委托给专门的子智能体。 所以具体的步骤一般为： 1. 将工作分解为多个部分 首先是领域选择: 他们将多智能体系统应用于他们认为特别适合并行 ...

机器之心报道 机器之心编辑部 研究多智能体必读指南。 「Anthropic 发布了他们如何使用多个 Claude AI 智能体构建多智能体研究系统的精彩解释。对于任何构建多智能体系统的人来说，这是一本必读的指南。」刚 刚，X 知名博主 Rohan Paul 强力推荐了 Anthropic 一项新研究。 最近一段时间，关于智能体的研究层出不穷。但这也为广大研究者带来一些困惑，比如什么任务需要多智能体？多个 AI 智能体如何协作？怎么解决上下文和记忆 问题…… 面对这些问题，你不妨读读 Anthropic 的这篇文章，或许能找到答案。 文章地址：https://www.anthropic.com/engineering/built-multi-agent-research-system 多智能体系统的优势 有些研究涉及开放式问题，这类问题往往难以预先确定所需的步骤。对于复杂问题的探索，人类无法硬性规定固定路径，因为这一过程本质上是动态且具有路径 依赖性的。当人们开展研究时，通常会根据发现持续调整方法，沿着调查过程中浮现的线索不断推进。 这种不可预测性使得 AI 智能体特别适合执行研究类任务。研究工作要求具备灵活性 ...

2025年6月13日，Anthropic工程团队发布了一份详尽的技术文档，公开了他们构建多智能体研究系统的完整历程。这个系统让多个Claude智能体协同工作，能够搜索 网络、Google Workspace以及各种集成系统，完成复杂的研究任务。 在这份万字长文中，工程团队分享了一个关键数据：以Claude Opus 4为主智能体、Claude Sonnet 4为子智能体的多智能体系统，比单独使用Claude Opus 4的性能提 升了90.2%。但这种性能提升是有代价的——多智能体系统使用的token是普通聊天的15倍。 文章揭示了多智能体系统的核心架构：一个主智能体负责分析用户需求、制定研究策略，然后创建多个子智能体并行探索不同维度的信息。每个子智能体拥有独立 的上下文窗口，能够同时处理不同的搜索任务，最后将结果汇总给主智能体。这种设计让系统能够在几分钟内完成原本需要几小时的研究工作。 在构建这个复杂系统的过程中，团队总结出了8条提示工程原则： 在构建从原型到生产级产品的过程中，Anthropic团队分享了关键的工程实践： 资源分配需要明确规则。 早期版本曾为简单查询生成50个子智能体，陷入失控。解决方案是 ...

全文阅读时间约为9分钟。 区域型银行"AI突围战"已打响 。过去24个月，生成式AI在全球金融服务行业的应用持续演进。摩根士 丹利已向约1.5万名财务顾问推出AI工具，帮助他们在客户会议中生成纪要和下一步最佳行动方案， ING已将智能聊天机器人推向10个市场约3,700万名客户。这些都传递出一个清晰的信号：生成式AI竞 赛已从技术探索转向价值变现阶段。对于区域型银行而言，这场关于AI的变革早已不是"选择题"，而是 如何捕捉AI价值、实现应用落地的一道"必答题"。 纵观全球银行业生成式AI（GenAI）技术应用现状，我们有以下四点观察： 观察一：AI应用百花齐放，逐步从内部使用向客户端延展 生成式AI及其他人工智能技术正重塑银行内部运营模式和对客服务方式。起初，AI技术仅运用在客户 经理赋能、软件开发提效、信贷报告自动生成等银行内部应用场景，而伴随AI技术的突破，其应用场 景正越来越多向客户端延展，如AI客服机器人、超个性化的市场营销策略等。 观察二：技术持续革新，多智能体系统能提供覆盖复杂流程的"一站式"解决 方案 多智能体系统具备行动规划、使用工具执行规划、与其他智能体及人员合作、边实践边学习以自我改进 的 ...