OpenAI Agents API教程：构建AI数据分析师
传统 BI 或手写 SQL 调查通常需要多次查询、追问和人工串联上下文，难以在一次会话中完成。Agents API 的价值在于把多轮调查保留在同一会话里，并允许模型调用应用侧工具，而数据库访问权限、可见上下文和可保存修正都由应用决定。该示例借鉴 OpenAI 内部数据代理思路：先基于真实 schema，再提供业务上下文，暴露…
阅读教程 →官方AI技术教程 · 中文精选
AI 智能体
函数调用、MCP、Agent SDK、工具设计与多智能体编排。
共 37 篇教程
构建定时仓库审查器：自动化代码审查指南
代码审查是保障代码质量的关键环节，但人工审查耗时且难以频繁执行。仓库在两次审查之间可能引入新问题，而定时审查器能自动扫描并报告发现。本教程针对需要记住上次审查状态的重复性任务（如依赖审计、文档新鲜度检查），利用会话恢复避免重复全量审查，节省成本并提高效率。 核心原理是利用Claude Agent S…
阅读教程 →Google ADK教程：快速构建AI智能体
随着大语言模型能力的增强，构建复杂AI代理（Agent）的需求日益增长。然而，直接调用模型API往往难以管理多步交互、状态持久化和工具调用。Google ADK（Agent Development Kit）应运而生，它提供了一套标准化的组件（Agent、Tool、Session、Runner）来简化代理开发，使开发者能够专注于业务逻辑而非底层编排。本教程通过一个…
阅读教程 →结果：自我验证的智能体
在AI智能体应用中，一个常见痛点是智能体生成的输出看似完整，但实际存在引用不准确、覆盖不全等问题。传统做法依赖人工审查循环，效率低且成本高。Outcomes机制通过引入独立的评分器智能体，自动执行验证，解决了人工审查的瓶颈。它适用于需要高准确性和可验证性的场景，如研究报告、法律文书、技术文档…
阅读教程 →使用ReAct在Wikipedia上进行搜索：Google Colab教程
大型语言模型（LLM）在零样本设置下处理复杂推理任务时，常因缺乏外部知识而表现不佳，甚至产生幻觉。ReAct（Reasoning and Acting）是一种提示工程方法，通过让模型交替生成思考（Thought）、行动（Action）和观察（Observation）轨迹，将推理过程与外部工具（如维基百科API）结合，从而提升答案的准确性和可解释性。该…
阅读教程 →使用Claude实现异步多智能体编排
随着大语言模型能力的增强，单一模型在处理复杂任务时面临上下文长度限制、任务分解困难等问题。多智能体编排通过将任务分配给多个专业化的智能体，实现并行处理、分工协作，从而提升效率和效果。Anthropic的Claude模型支持工具调用，结合异步编程框架asyncio，可以构建灵活的多智能体系统。本教程旨在展示两…
阅读教程 →SQL Agent Gemini LangChain 教程：使用 Gemini 和 LangChain 构建智能 SQL 代理
传统数据库查询需要掌握 SQL 语法，对非技术用户不友好。SQL Agent 利用大语言模型（LLM）将自然语言转换为 SQL 查询，并自动执行、解释结果，实现人机交互的智能化。该技术适用于数据分析、业务报表、智能客服等场景，能显著降低数据访问门槛。主要限制包括模型对复杂查询的准确性、数据库结构变化时的适应性…
阅读教程 →使用Claude托管代理构建数据分析代理
在数据驱动决策的背景下，团队中常有人需要快速分析CSV文件并提炼洞察。传统手动分析耗时且易出错，而构建定制化数据分析管道又需要大量基础设施。Claude托管代理提供了一种托管运行时，支持有状态、工具使用的代理，使开发者无需管理底层基础设施即可构建强大的数据分析应用。它解决了环境配置复杂、工具…
阅读教程 →Claude Agent SDK教程：自动压缩长任务上下文
在构建基于工具调用的AI代理时，随着任务迭代，对话历史会迅速膨胀。每次工具调用都会将完整历史发送给模型，导致令牌消耗线性增长，成本上升，响应变慢，并可能触及上下文窗口上限。例如，处理5个工单、每个工单7步操作，会产生35次工具调用，累积大量中间结果。自动上下文压缩通过定期生成摘要并清除历…
阅读教程 →威胁情报富化代理：使用Claude自动化安全分析
安全分析师每天需要手动查询多个威胁情报源（如VirusTotal、AbuseIPDB、MITRE ATT&CK）来关联分析IOC，过程耗时且易出错。自动化此流程可显著提升效率，但传统脚本难以处理动态决策和多源关联。Claude的工具使用能力允许模型自主决定调用哪些工具及顺序，实现智能代理。本教程展示如何构建这样的代理，解决手动关联…
阅读教程 →Gemini API：深度研究智能体
传统搜索与问答难以满足复杂研究需求，如市场分析、文献综述等，需要多步骤规划、信息综合与引用生成。Deep Research Agent 基于 Gemini 模型，自主执行搜索、阅读、代码执行等任务，单次可查阅超 100 个来源，生成带引用的报告。其通过 Interactions API 异步运行，适合耗时较长的研究任务，但无法通过 generate_content 访问…
阅读教程 →开始使用托管代理：Google Colab 教程
传统 LLM API 提供无状态推理，开发者需自行编排工具调用、管理上下文，难以构建复杂自主任务。托管代理（如 antigravity-preview-05-2026）在沙盒 Linux 环境中运行，具备推理、规划、代码执行、网络搜索和文件管理能力，无需开发者编写编排逻辑。适用于需要多步骤操作、外部数据获取或持久化状态的场景，如数据分析…
阅读教程 →Advisor：让工作中的智能体在回合中咨询更强模型
在构建多智能体系统时，开发者常面临模型选择困境：使用最强模型虽安全但成本高昂，使用中档模型则可能在复杂决策时缺乏判断力。传统解决方案是自建升级机制，但实现复杂且难以维护。Advisor 机制将这一过程内置于会话中，允许工作模型在需要时动态咨询更强模型，既保证决策质量又控制成本。适用于需要平…
阅读教程 →Claude Agent SDK 可观测性代理实战：使用 MCP 集成 Git 与 GitHub
在构建AI代理时，一个关键限制是它们通常只能访问预定义的工具集，如网络搜索或文件系统。然而，现实世界的应用需要代理与数据库、API、CI/CD系统等外部服务交互。MCP（模型上下文协议）应运而生，它提供了一种标准化方式，让AI模型通过统一的接口调用外部工具，从而打破数据孤岛。本教程聚焦于可观测性代理…
阅读教程 →Agents_Function_Calling_Barista_Bot.ipynb 中文教程：构建智能咖啡师机器人
传统软件系统通常依赖固定的用户界面和预定义的命令，而大语言模型（LLM）能够理解自然语言，但缺乏与外部系统交互的能力。函数调用（Function Calling）允许 LLM 在对话中调用开发者定义的函数，从而将自然语言理解与具体业务逻辑结合。本教程以咖啡馆点餐为例，展示如何构建一个 AI 代理，它既能理解用户的自…
阅读教程 →使用Claude Sonnet 4.6进行记忆与上下文管理
大型语言模型（LLM）的上下文窗口有限（Claude 4系列为200k token），长对话或复杂任务容易超出限制，且注意力机制呈二次方扩展导致计算成本高昂。跨会话任务中，模型无法保留已学习的模式，每次需重新解释上下文，效率低下。Claude Sonnet 4.6引入记忆工具和上下文编辑功能，分别解决跨对话学习和长会话上下文管理…
阅读教程 →托管代理教程：提示版本管理与回滚
在传统开发中，提示词通常硬编码在代码库中，修改需要PR、CI和部署，回滚同样繁琐。托管代理将提示词存储在服务端，每次更新产生新版本，会话通过ID选择版本，从而将提示词变更与代码部署解耦。这种模式解决了提示词迭代频繁、部署成本高的问题，适用于需要快速调整LLM行为（如路由、分类、生成）的场景。…
阅读教程 →编排器-工作器模式：动态任务分解与并行执行指南
在AI应用中，许多任务需要从多个角度生成内容或分析，但预先定义所有子任务往往不切实际。传统方法如手动多次提示或硬编码并行化，要么效率低下，要么缺乏适应性。编排器-工作器模式应运而生，它利用一个中央LLM（编排器）在运行时分析任务，动态决定哪些子任务最有价值，并委派给专门的工作器LLM执行。这…
阅读教程 →从OpenAI Agents SDK迁移到Claude Agent SDK指南
OpenAI Agents SDK和Claude Agent SDK是构建AI代理的两大主流框架。OpenAI SDK提供简洁的装饰器风格API，但存在版本不稳定、工具模式依赖类型提示内省、追踪功能内置但封闭等问题。Claude Agent SDK与Claude Code共享运行时，提供内置工具（Read/Edit/Bash/Grep）、分层权限系统、自动提示缓存和原生OpenTelemetry支持，更适合生产环境集成…
阅读教程 →使用动态工作流大规模编排子代理
在AI工程实践中，许多任务（如文档审计、内容迁移、研究综合）需要处理大量独立子任务，每个子任务都需要真正的判断和验证。单个代理受限于上下文窗口，无法同时处理数十个声明；子代理模式虽可委派，但计划仍由模型逐轮决定，缺乏结构保证，且中间结果堆积在主代理上下文中，难以扩展。动态工作流应运…
阅读教程 →使用Claude托管代理构建SRE事件响应代理
在传统SRE运维中，生产告警（如凌晨3点的PagerDuty通知）需要值班人员手动拉取日志、查找运行手册、定位配置错误并提交修复，整个过程耗时且容易出错。随着AI代理技术的发展，可以自动化第一轮调查和修复准备，但需要确保代理拥有正确的上下文（如日志、代码、运行手册）并保留人类最终决策权。Claude托管代理…
阅读教程 →漏洞检测代理：使用Claude Agent SDK构建智能安全分析工具
安全团队面临内存安全漏洞检测的挑战：静态分析器误报率高，导致审查者忽略报告；模糊测试需要为每个入口点手动编写测试工具，效率低下。本教程旨在利用Claude Agent SDK构建一个智能代理，自动读取源代码、推理潜在漏洞，并生成可操作的发现结果，从而在攻击者之前发现漏洞。该技术适用于代码审计、安全评…
阅读教程 →SRE事件响应代理：构建自主基础设施运维智能体
传统SRE依赖人工值班，响应慢且易出错。本教程旨在构建自主代理，通过MCP工具安全地读写基础设施，实现事件响应自动化。适用场景包括故障排查、配置修复、部署验证等。主要限制是工具权限需严格限定，且代理决策依赖工具描述质量。 代理基于Claude Agent SDK的推理循环，通过MCP服务器暴露的工具与外部系统交互…
阅读教程 →托管代理生产环境设置教程：从MCP工具集到推理地理固定
在生产环境中运行托管代理，不仅需要实现代理循环本身，还需处理凭证管理、工具集成、人工介入、资源生命周期和合规性等外围机制。随着代理从原型走向真实用户，单租户的硬编码令牌和长连接流式模式无法满足多用户隔离、可扩展性和审计需求。MCP工具集通过标准协议连接外部SaaS服务，Vaults提供按用户隔离…
阅读教程 →使用 MongoDB Atlas 和 Claude 托管代理构建欺诈审查代理
在构建 AI 代理时，开发者常面临检索、存储和审计的碎片化问题：需要组合向量数据库、全文搜索引擎、图数据库和操作数据库，每个组件都带来额外的集成复杂度、凭据管理和数据一致性挑战。MongoDB Atlas 通过统一引擎解决了这一问题，支持向量、全文、混合和图检索，同时作为操作数据存储。本教程旨在展示如何…
阅读教程 →AI参谋长代理：使用Claude Code SDK构建全面代理的指南
随着大语言模型能力的增强，开发者需要将AI集成到实际业务工作流中，而不仅仅是简单的对话。Claude Code SDK提供了一种编程式、无头的方式，使开发者能够构建自动化、可扩展的AI代理系统。本教程针对的痛点包括：如何管理代理的长期记忆、如何执行外部脚本、如何适应不同受众、如何安全地规划复杂任务、如何…
阅读教程 →构建你自己的代码解释器：使用o3-mini动态生成与执行工具
传统工具调用需要预定义函数，限制了LLM处理新问题的能力。动态工具生成允许模型在运行时创建代码，适用于数据分析、自动化等场景。o3-mini模型在STEM任务上表现优异，且成本低。构建自定义解释器可解决内置解释器的语言限制、成本、集成等问题。 核心原理是让LLM（o3-mini）根据用户问题生成Python代码，并在隔…
阅读教程 →编排智能体：例程与交接
在构建基于大语言模型的应用时，单个提示词和工具组合往往能解决简单任务。然而，真实业务场景常包含多种流程，如客服、销售、售后等，每个流程有独特步骤和工具。若将所有逻辑塞入一个提示词，会导致指令冗长、模型性能下降、维护困难。传统状态机虽可精确控制，但僵硬且难以适应自然语言交互。因此，…
阅读教程 →OpenAI Responses API教程：调用MCP工具
构建智能体应用时，通常需要连接外部服务（如数据库、电商平台、监控系统等）。传统函数调用方式要求为每个操作编写自定义包装器，并在模型、后端和外部服务之间进行多次网络往返，导致延迟高、代码冗余、难以维护。MCP（模型上下文协议）提供了一种标准化接口，允许模型直接与远程MCP服务器通信，服务器…
阅读教程 →使用Agents SDK构建深度研究API：实战指南
深度研究API与Agents SDK的出现，解决了传统问答系统在处理需要多步推理、信息综合和工具调用的复杂研究任务时的不足。普通API适合简单查询，但面对需要规划、综合和外部知识获取的任务时，智能体工作流能显著提升输出质量。本教程适用于需要构建自动化研究工具的场景，如竞争情报、学术综述、市场分析等。…
阅读教程 →使用Agents SDK和Stripe API自动化争议管理
争议管理是电商和SaaS企业常见的运营痛点，人工处理耗时且易出错。传统自动化依赖硬编码规则，难以应对复杂多变的争议场景。OpenAI Agents SDK提供轻量级智能体框架，允许开发者以Python优先的方式构建可扩展的AI工作流。结合Stripe API，可实现争议的自动分流、接受或调查，提升效率并降低运营成本。本教程适用于需…
阅读教程 →使用OpenAI Agent SDK和Databricks MCP服务器构建供应链副驾驶
供应链运营中，企业面临库存不足、产能瓶颈、物流延迟等问题，直接影响服务水平和收入。传统数据分析需要专业人员编写SQL或使用BI工具，响应慢且难以处理复杂问题。AI Agent能够理解自然语言，自动调用数据工具，提供实时洞察和主动建议。Databricks作为统一数据平台，存储结构化和非结构化数据，并提供ML、图…
阅读教程 →自进化智能体：自主智能体再训练实战手册
智能体系统在概念验证后常因依赖人工诊断边缘案例而陷入瓶颈。本教程旨在解决此问题，通过可重复的再训练循环，捕获问题、从反馈中学习，并将改进推广到类似工作流。适用于要求准确性、可审计性和快速迭代的领域，如医疗文档处理。 核心原理是构建一个闭环反馈系统：基线智能体生成输出，由人工或LLM评…
阅读教程 →使用沙盒代理迁移遗留代码库
代码现代化是持续过程，遗留依赖、安全风险、合规压力不断累积。一次性大规模迁移PR难以审查且合并风险高。沙盒代理模式将代理执行环境隔离，每次处理一个任务，降低风险。适用于需要逐步迁移大型代码库、确保安全性和可审计性的场景。限制包括沙盒资源限制、网络隔离可能影响依赖下载等。 核心原理是将…
阅读教程 →使用Amazon Bedrock上的Agents SDK进行反洗钱分析
在金融合规领域，反洗钱（AML）分析需要处理大量交易数据，识别可疑模式，并生成报告。传统规则引擎难以应对复杂模式，而大语言模型（LLM）能理解上下文，但存在幻觉和不可靠风险。本教程旨在展示如何结合LLM的推理能力与确定性代码验证，构建一个既灵活又可审计的AML分析系统。通过Amazon Bedrock，开发者可以…
阅读教程 →上下文工程：利用会话进行短期记忆管理
在AI代理的长时多轮交互中，上下文管理至关重要。模型上下文窗口有限（如GPT-5支持272k输入令牌），但未整理的历史记录、冗余工具结果或嘈杂检索会迅速填满窗口，导致模型分心、效率下降甚至失败。有效的上下文管理能保持连贯性、提高工具调用准确性、降低延迟成本、遏制错误幻觉，并简化调试。OpenAI Responses…
阅读教程 →构建具有记忆与压缩功能的可靠AI代理
在构建AI代理时，记忆与压缩是确保其可靠性的关键因素。AI代理需要记忆来存储对话历史、用户偏好和任务状态，没有记忆，代理将无法提供连贯的交互体验。然而，随着对话和上下文的增长，存储和检索成本会显著增加，甚至超出模型的上下文窗口限制。压缩策略通过减少冗余信息来优化上下文使用，而记忆机制…
阅读教程 →