Home

我眼里的： 许多平台原来开放了 OpenAPI，MCP 能够对接到现在的 AI 生态，调用门槛大幅降低。 当 Agent 多且杂(现实如此)，就会衍生出 Agent 之间的通信需求，A2A 像是在设想未来，姑且当做一个标准了解。 Skill 通过渐进式披露解决了模型上下文的问题，本质上还是计算机常用的分而治之思想；同时 Skill 支持描述顺序执行/条件分支，避免了拖拉拽搭建工作流。 现在从 ADK 的实现和使用方式，来看看其怎么看待这三个概念/技术点的。 1. MCP 分别是 Client Server 两个角度： Client: 如何将 ADK tool(s) 转为 MCP Server Server: 如何在 ADK agent 中接入其他 MCP...

1. 何时需要可观测性 智能体交互变慢了，是调用工具还是查询知识库变慢了？工具调用了第三方的 API，估计是网络波动。哦不，知识库底层的 Milvus 没有做存算隔离，可能是这里的性能瓶颈？或者是系统缺少隔离，其他用户影响了当前用户？ 当你开始考虑这个问题时，就说明系统缺少可观测的能力了。 得益于微服务架构的发展，智能体技术从构建之初，就可以基于成熟的可观测的能力。该能力，是解决智能体从有用到可用的关键点。 注：除了 CodeAgent 以外，为何大部分的智能体都只是 demo 而没有用，就是另外一个话题了。 从架构角度，需要提前考虑如何让智能体变得可用。无论系统设计的如何健壮，SRE 如何运维和弹性伸缩资源，系统长时间运行，总会出问题，而哪里会出问题则是不可预测的。 可观...

1. Google ADK：轻量级智能体框架介绍 Agent Development Kit (ADK) 是 Google 去年推出的一款智能体框架，从我的测试情况看1，还是比较好用的。 相比 LangChain，主要的优点是轻量级的设计及简洁代码、对 Agent 效果迭代过程的实用设计。前者方便快速原型开发，后者则关注到了 Agent 效果而不是仅仅搭建出来。 LangChain 初始印象是功能强大，比如支持了不同的 LLM、不同的向量库等。但是实际使用下来，发现这种支持的代价就是深层次的抽象、反射。而对于简单的业务场景，比如代码定位、个性化的功能开发等，反而会更加复杂耗时。 之前也简单的看过CAMEL 和 AutoGEN，方便性上不如 ADK. 更合理的智能体框架形式，或...