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...

1. Mem0 是什么 mem0ai/mem01的官网介绍： Mem0 (“mem-zero”) enhances AI assistants and agents with an intelligent memory layer, enabling personalized AI interactions. It remembers user preferences, adapts to individual needs, and continuously learns over time—ideal for customer support chatbots, AI assistants, and autonomous systems. 现在看，记忆层已是智能体的基础...

上一篇介绍了 Celery 架构，这篇我们实战看看。 1. 例子 文章从基础、重试、ack、周期任务等几个方面说明，完整的运行例子放在了 github 上 1.1. Hello World 入门例子使用非常简洁，分为两步： 启动Worker: 从 Redis 读取任务，执行add方法，将结果写回 Redis run_simple_task -> add.delay: 写入任务，通过app分发到 default 队列(存储到 Redis)，并等待读取结果 1.1.1. 消费者-Worker 先从启动 Worker 开始，定义app/celery_app.py： #!/usr/bin/env python # coding=utf-8 from celer...