与「多智能体」相关的搜索结果

这才是 AI Native 团队的最终形态！ 我之前花三周用 OpenClaw 搭 AI 团队，让多agent在Discord里协作，纯属浪费时间（我想我不是一个人） 之前我自己搭的遇到的问题： token 烧得飞快、gent 之间"打架"、两个 AI 对一直互相@个没完，钱全给我浪费了... 我试了各种 prompt 约束、加中间裁判、限制轮次，怎么调都不对。有时协作太死板丢，有时权限一放开就失控。 所以当我看到 @helioim_ai ，让多个 AI 在频道里工作，我第一反应是不信，然后就去试了试。。。 但实际试了之后发现，我还是把它想简单了，它不是"让 agent 互相发 prompt"，是给每个 AI 一个独立身份（有名字、有邮箱、有明确的职责范围）。 比如，产品经理只管拆需求，设计师只管出方案，各干各的然后在频道里同步。并非无限对话，而是分工协作。 还有个让我意外的机制：每天凌晨 AI 会"做梦"，回顾当天工作，找出什么做对什么做错，更新自己的行为规范。 回头看，我在 OpenClaw 上踩的坑（token 浪费和 agent 死循环），本质上是因为把"多智能体协作"当成了 prompt 链编排问题。 而他们直接给 AI 身份和职责边界，让协作像人与人配合一样发生。这条路目前看下来挺对的。

🚀 如何在 6 个月内成为全球前 1% 的 Vibe Coding 顶级高手？（附完整保姆级路线图） 说实话，很多人以为 Vibe Coding 就是下载个 AI 工具，输入一句模糊的需求，然后坐等奇迹发生。那不叫意念编程，那叫买彩票。用这种玩法，你只会陷入修 Bug 制造新 Bug 的死循环里。 真正的 Vibe Coding 是一套非常硬核的构建系统，核心就是四个字：先划后干。如果你想把脑子里的想法真正变成能上线的赚钱产品，不要再去看那些永远做不出成品的理论教程了。这份 6 个月的保姆级路线图直接拿走，全都是大白话，照着做就行。 1、第1个月打牢底层基础 新手最爱跳过基础，结果代码一报错就抓瞎。你不用精通编程，但必须懂行话。你要理解Web运行机制，搞懂前后端和API。必须掌握Git，这是你代码崩溃时的唯一救命稻草。最后锁死一套技术栈，推荐Next.js加Supabase加Vercel，别瞎折腾。 2、第2个月选对趁手兵器 零基础做快速原型直接用Lovable。有基础的开发者闭眼选Cursor，熟练掌握多智能体并行。硬核极客用Claude Code，让它接管你整个代码库。记住一个铁律，每个项目根目录必须建一个规则文件，提前给AI立好规矩。 3、第3个月掌握架构与提示词 千万别一上来就让AI写代码。必须先写产品需求文档，明确目标用户和成功标准。学会给AI投喂干净的结构化文档，它能少犯一大半的错。大项目必须用规格驱动开发，让规格文档去指挥AI，而不是靠你的脑洞临场发挥。 4、第4个月打造真实商业项目 别再写烂大街的天气预报App了，去解决垂直行业的真实痛点。建立防错循环：永远让AI先出计划，你批准后再让它写代码，写完丢给另一个大模型做安全审查。并且一定要让AI先写测试用例，这是防止代码崩塌的唯一解药。 5、第5个月进阶MCP与上下文魔法 真正的高手知道怎么给AI喂数据。必须玩转MCP协议，让你的AI直接连通外部世界。比如让AI直接读取Figma设计图写前端，或者直接操作数据库。同时学会控制Token预算，大任务用贵模型，小任务用便宜模型，及时压缩长对话防破产。 6、第6个月专业部署与变现 最后一步是把产品推向市场。前端扔给Vercel，后端接Supabase，挂上监控追踪报错。接下来选定你的搞钱路线：要么当独立黑客开发垂直SaaS卖订阅，要么拿着项目去大厂拿高薪，或者帮传统企业搭建自动化工作流赚咨询费。 最后再唠叨一句，大多数人看完只会点个收藏，但真正能拉开差距的人只做三件事：不看教程直接干，公开分享自己的构建过程，每个月必须硬憋出一个带真实网址的上线产品。行动决定上限，赶紧去挑个痛点开干吧。

本周金融领域GitHub增长最快的项目： 1. TradingAgents (+3,822 ★) 为金融研究和执行而构建的多智能体LLM交易框架。集分析师智能体、情感模型、投资组合推理和提供商集成于一身。 2. AI-Trader (+2,434 ★) 完全自动化的原生智能体交易系统。专注于自主决策、价格获取、执行和监控工作流的端到端AI驱动交易基础设施。 3. scientific-agent-skills (+2,286 ★) 为金融、研究、科学、工程和写作提供的即插即用智能体技能。集成多个智能体框架，支持网络研究和生物信息学。 4. daily_stock_analysis (+1,272 ★) LLM驱动的股票分析平台，覆盖美国、香港和中国股市。结合市场数据、实时新闻、AI仪表板和自动化报告，运营成本近乎为零。 5. QuantDinger (+1,242 ★) 加密货币、股票和外汇的AI量化交易平台。包含实盘交易、策略回测、市场分析和经纪商集成，为AI辅助量化工作流实验者而构建。 6. Vibe-Trading (+1,148 ★) 专注于算法交易和回测的个人AI交易智能体。结合轻量级自动化与智能体式投资组合管理和策略实验。 7. FinceptTerminal (+878 ★) 现代开源金融终端，灵感来自彭博工作流。在一个界面中提供市场分析、投资研究、交易工具和AI驱动的金融基础设施。 8. TradingAgents-CN (+739 ★) TradingAgents的中文增强版本。针对中国金融市场、数据集和工作流优化的多智能体LLM交易框架。在中文量化和AI社区中快速增长。 9. last30days-skill (+694 ★) 用于研究Reddit、X、YouTube、黑客新闻等平台趋势的AI智能体技能。专为信号发现、叙事追踪和全网监控设计。 10. qlib (+680 ★) 微软的AI导向量化投资平台。涵盖从数据收集到alpha生成、投资组合构建和执行的整个量化流程。仍是最强大的开源量化生态之一。

西安交大最新发了一篇关于“多智能体协作、故障归因与自我演化”的全面综述，让AI超越个体智能 当前基于LLM的自主智能体在推理、规划和工具使用方面越来越强，但当遇到跨角色、跨工具、跨环境的持续协调任务时，单个智能体能力不足 单个智能体很容易在长时间交互中失去连贯性，难以稳定协调多步行动 多智能体系统通过专业化智能体间的结构化协作缓解了这个问题，不同的Agent分别负责规划、执行、验证、检索和工具调用 但是，只要某个环节出错，错误就可能在后续协作中传播，导致系统级失败，现有多Agent系统往往连哪里出错都难以定位，更无法自动调整结构，避免下次再犯同样的错 也就是说，AI团队协作出错了不知道该怪谁、错在哪一步、错误是怎么从一个AI传到另一个AI的，这就导致AI团队能干活但干砸了没法复盘 那么，多智能体系统如何从各自为战走向协作进化的闭环？ 西安交通大学 MOE KLINNS Lab团队等提出了“LIFE四阶段框架”，将个体能力、协作、归因、演化四条线串成了一条因果链条 指出失败归因是当前研究最薄弱的中间环节，也是实现真正自组织集体智能的关键瓶颈 对每个阶段提供系统性分类，并形式化刻画相邻阶段之间的依赖关系，揭示每个阶段如何既依赖又约束下一个阶段 论文把个体能力、多智能体协作、失败归因、自我演化用因果链条串了起来，并指出了智能体协作中的隐形风险 这为工业落地提供了思维框架，指出了一条让AI从人工编排的协作走向自组织的集体智能的路径 #多智能体# #AIAgent#

周末氛围直播 Multi-Agent Workshop - 多智能体工作流实战分享！邀请温哥华 Cursor 社区大使 Jacky 同学来分享 - “用 AI Agent 做冷邮件自动化”⚡️北京时间 周六中午 11AM & 美西时间 周五晚上 08PM - 微信 & 油管同步直播👀

10个免费GitHub库，只需100美元和笔记本电脑就能像对冲基金一样交易。 这些是300多家对冲基金在用的工具。收藏这个。 1. OpenBB 免费的彭博终端。股票、期权、期货、加密、外汇。彭博终端年费25000美元，这个免费。 → 2. Lean (QuantConnect) 300多家对冲基金在用的算法交易引擎。用25年数据回测，部署到Interactive Brokers或Alpaca。 → 3. qlib (微软) 微软完整的量化投资平台。 最专业的开源量化基础设施。 → 4. Backtrader 每个量化交易员必学的Python回测框架。全球金融研究生项目都在用。 → 5. TradingAgents UCLA和MIT的多智能体LLM交易框架。AI代理充当分析师、技术员和风险经理。 → 6. Riskfolio-Lib 量化交易员用来配置资本的投资组合优化库。涵盖均值方差、Black-Litterman、CVaR。 → 7. yfinance 每个Python金融课程都从它开始。实时和历史数据覆盖100000+股票。 → 8. FinanceToolkit 150+财务比率、指标和估值模型在一个库里。 → 9. vectorbt Python最快的回测引擎。几秒内测试数千个策略。 → 10. TradingView轻量级图表 为实时金融应用提供图表库。 你的交易仪表板专业的原因。 → 最疯狂的部分： 彭博终端年费25000美元。初级分析师25万美元。高盛研究数百万。 这10个库让一个有100美元和笔记本的小孩获得华尔街付费内容的大部分。 2010年交易台成本5万美元。2026年整个技术栈免费。 散户和华尔街的差距从未这么小。 保存这个吧别忘了。 100%免费。100%开源。

摩根大通的投资研究团队详细分享了他们是如何构建其多智能体系统“Ask David”的，这也是目前随处可见的经典架构模式： - 监督智能体负责统筹编排 - 专业的子智能体负责处理检索、结构化数据和分析任务 - 在输出答案前，设有LLM作为裁判的反思节点 - 引入人类监督机制来弥补最后的准确性差距 对于任何正在进行相关开发构建的人来说，都非常值得一看：

本周金融领域增长最快的 GitHub 仓库： 1. TradingAgents (+7.9K ★) 来自 UCLA/MIT 的多智能体 LLM 交易框架。包含基本面分析师、情绪分析师、技术面分析师、风险管理师，支持 DeepSeek V4 思维模式。 2. FinceptTerminal (+4.3K ★) 基于 C++20 + Qt6 构建的开源 Bloomberg 替代方案。拥有 37 个巴菲特/芒格/林奇/格雷厄姆风格的 AI 智能体。支持 16 个券商集成的实时交易。内置 MCP + AI 量化标签页。 3. daily_stock_analysis (+2.3K ★) 面向美股、A 股和港股市场的 LLM 股票分析器。 自动构建包含入场/出场水平的每日决策仪表盘。通过 GitHub Actions 推送到微信/Telegram/Discord/Email。 4. Vibe-Trading (+1.9K ★) 个人交易智能体。自然语言 - 策略 - 回测 - 导出至 TradingView/MT5。只需一个 pip install，即可拥有属于你自己的 AI 交易台。 5. QuantDinger (+837 ★) 自托管 AI 量化操作系统。研究市场、生成 Python 策略、回测想法、运行实盘交易。 支持加密货币、通过 IBKR 交易股票、通过 MT5 交易外汇。一个 Docker Compose，你的基础设施，你的数据。 6. TradingAgents-CN (+641 ★) TradingAgents 的中文分支。针对 A 股市场、中文数据源和国产大模型进行了完全本地化。 7. last30days-skill (+630 ★) AI 智能体技能，可研究过去 30 天内 Reddit、X、YouTube、HN、Polymarket 及全网的任何话题。可接入任何智能体框架。 8. qlib (+569 ★) 微软推出的面向 AI 的量化投资平台。 端到端流程：数据 - Alpha - 投资组合 - 执行。目前最严肃的开源量化基础设施。 9. scientific-agent-skills (+511 ★) 用于研究、科学、工程、分析和金融的即用型智能体技能。可接入任何智能体框架。涵盖生物信息学、化学信息学，以及现在的 Hugging Science。 10. OpenBB (+387 ★) 面向分析师、量化研究员和 AI 智能体的开源金融数据平台。在一个平台上集成股票、加密货币、期权、衍生品、固定收益。

ANDREJ KARPATHY 描述了完美的 AI 知识系统。有人在 Obsidian 中实现了它。 Claude Code x Obsidian。不到 10 分钟即可完成设置。 当你睡觉时，你的库（Vault）会自动编写和整理。基于 Karpathy 自己的 LLM Wiki 模式。免费。 以下是具体情况： 每个使用 Obsidian 的人都知道这个问题。笔记存进去了，但连接从未建立。六个月后，你拥有数百个孤立文件、零交叉引用，你的“第二大脑”感觉更像是一个数字垃圾抽屉。 这个系统只有在你维护它时才有效，但没人去维护。这个工具彻底解决了这个问题。它被称为 claude-obsidian。 你只需克隆它，运行一个设置脚本，在 Obsidian 中打开它，在 Claude Code 中输入 `/wiki`，从那一刻起，Claude 会负责所有的整理、归档、交叉引用和维护。 你只需要把内容丢进去并提出问题。它与其他所有 Obsidian AI 插件的区别在于：其他插件只是回答关于你现有笔记的问题，而这一个插件能够自主地创建、组织、演进和维护笔记。聊天界面与知识引擎之间是有区别的。↳ 丢入任何来源，Claude 会自动创建 8 到 15 个结构化的维基页面 ↳ 每个新页面都会与库中已有的所有内容进行交叉引用 ↳ 矛盾之处会通过 Callout（标注）进行标记，让你随时了解来源是否存在分歧 ↳ `/autoresearch` 会运行三轮网络研究循环，发现空白、填补空白并归档所有内容 ↳ `/save` 可以将任何 Claude 对话直接转换为永久性的维基笔记 ↳ 热缓存（Hot Cache）会在每次会话时更新，因此 Claude 永远不需要你再次解释上下文 ↳ `lint` 命令无需你动手即可发现孤立文件、死链和陈旧的主张 热缓存是大多数人忽略的部分。在每次会话结束时，Claude 会编写一份近期上下文的精简摘要。下次会话时，它会首先读取该摘要。 你再也不用浪费 10 分钟来重建上下文了。10 项技能。支持多智能体（Multi-agent）。MIT 许可证。永久免费。

生成式AI往代理式AI迁移中，新的卡脖子环节又出现了，这次是CPU。之前市场关于算力紧缺的讨论都在GPU、HBM、光模块、电力等环节，其实对于CPU的关注比较少。其实Cpu的紧缺传了一段时间了，看最近英特尔、AMD走势最核心驱动力就是来自cpu开始出现紧缺了，甚至连过往不怎么受待见的港股联想集团，最近两周走的也很强。 1、为什agentic ai时代CPU占比会扩大？ 传统AI（主要是大模型训练/推理）高度依赖GPU，因为Transformer的核心是并行矩阵运算，GPU擅长高吞吐的并行计算。这时CPU主要只负责“辅助”：数据路由、内存压缩、GPU调度等，导致数据中心CPU:GPU比例很低（典型1:4~1:8，甚至1颗CPU管8颗GPU）。CPU利用率低，基本是配角。 Agentic AI完全不同，它不是单次“问答”，而是自主多步循环（Planning → Tool Use → Act → Observe → Reflect → Iterate），涉及： 1）编排：调度子任务、多智能体协作、分支逻辑、重试机制。 2）工具调用：网页搜索、API调用、代码执行、数据库查询、向量检索（RAG）、文件处理等。 3）其他CPU密集任务：上下文管理、KV Cache处理、强化学习（RL）仿真评估、数据预/后处理。 这些任务高度串行、I/O密集、逻辑分支多，GPU并不擅长（甚至会闲置）。研究显示：工具处理阶段在CPU上可占总延迟的50%~90.6%（GPU在等待CPU）。Agentic工作流中CPU动态能耗占比可达44%，比传统AI高3~4倍。 简单说，Agentic AI把“思考”交给GPU，但把“做事/协调”交给CPU。CPU从“管家”变成了“总指挥”，必须大幅增加才能让整个系统高效运转。这就是CPU占比扩大的核心驱动（Intel、AMD、Arm、TrendForce等一致观点）。 2、CPU成为新紧缺环节的现实证据 今年Q1 Intel/AMD服务器CPU交期已经拉到6-12周，部分型号基本售罄，价格也提了10%以上。厂商自己都说“demand far exceeded expectations”。不是产能不够，而是Agentic AI把CPU从“可有可无”直接干成了“必须配足”的总指挥。 数据中心项目现在除了电力，就是CPU卡脖子最严重。传统x86（Intel/AMD）高功耗+产能紧张，供应链直接打爆。 3、CPU缺口会有多大？ 行业共识是CPU:GPU比例将显著拉近，CPU需求大幅提升：从传统1:4~1:8（CPU:GPU）转向1:1~1:2（部分场景甚至1.4:1，即CPU比GPU还多）。看之前Arm估算，每GW算力需要的CPU核心从3000万激增到1.2亿（4倍增长） CPU算力份额：在Agentic工作流中，CPU承担的算力比未来机架/集群可能从“GPU主导”转向更平衡，甚至出现专用CPU rack来支撑Agentic编排；AMD/NVIDIA新一代平台已开始按1:2~1:4设计 这就带来了CPU需求的真实拐点，是实打实的硬件重构。 4、特别要说下ARM服务器CPU会更受益一些？ Agentic AI最需要的就是“高核心数+低功耗+稳定串行处理”。ARM天生多核可扩展、perf/watt领先：Arm AGI CPU（136核，TDP仅300W）对比x86同规格功耗低40%+，每机架性能直接翻倍。风冷机架就能塞8000+核，液冷更能到4万+核，完美解决数据中心的“功耗墙”。 更狠的是生态大转向：AWS Graviton、Google Axion、Microsoft Cobalt早就自研ARM，云巨头集体“去x86化”。Arm 3月直接下场自研AGI CPU（首款量产芯片），Meta、OpenAI、Cerebras都是首发伙伴，OEM有联想、Supermicro。 Counterpoint预测：AI ASIC服务器CPU里，ARM份额从2025年25%干到2029年90%。Arm自己说，这波能把数据中心CPU TAM从30亿版税干到1000亿+，未来几年服务器CPU营收很可能超手机，成为最大增长极。 看下周和5月初英特尔、amd的财报电话会上，cpu实际出货量的变化、以及cpu的真实价格变化。这能说明真的有多紧缺。 5、CPU紧缺哪些公司会受益？ 梳理了下哪些公司会受益，后续关注起来： 美股最核心： Intel (INTC)ntel 依然是服务器 CPU 市场的霸主。短缺潮会提升其过往型号的利润率，且其 Gaudi 与 Xeon 的组合在代理推理端有强劲需求。 AMD (AMD)：理由：在 Agentic AI 服务器市场，AMD 的 EPYC 处理器因多核心优势和高性价比，目前在云厂商中的市占率持续提升，是 GPU+CPU 均衡配置趋势下的首选。 Arm Holdings (ARM)：越来越多的云厂商（亚马逊、微软、谷歌）开始自研基于 ARM 架构的 CPU。无论谁赢，只要 Agent 需求推高 CPU 核心数，Arm 的授权费就会大涨。 港股（制造与分销关键点） 中芯国际 (0981)：虽然其在最先进制程受限，但大量非核心逻辑控制芯片（支持 CPU 运作的辅助芯片）和中端 CPU 的需求外溢，会显著提升其产能利用率。 联想集团 (0992)：全球第一大服务器与 PC 厂商。在短缺潮初期，拥有强大供应链管理能力和库存的大厂能通过提价和保证供应，抢占更多政企市场份额。 A股（国产替代与配套产业链） 海光信息 (688041)：国产 x86 服务器 CPU 的龙头。在 Agentic AI 时代，由于其架构与全球生态兼容性最好，国内算力中心在补齐 CPU 短缺时，海光是第一顺位替代品。 龙芯中科 (688047)：自主架构 CPU 的代表。随着国产自主可控需求增强，在党政和关键基础设施的 Agent 应用中受益。 深南电路 (002916) / 沪电股份 (002463)：理由：配套受益。CPU 核心数增加和 GPU+CPU 配比调整，要求更复杂的 PCB（印制电路板）和封装基板，这些公司是全球高端服务器 PCB 的主力供应商。 澜起科技 (688008)：内存接口芯片龙头。只要 CPU 多，内存条就多。Agent 时代对内存带宽要求极高，其 MRDIMM 和内存接口芯片是 CPU 性能爆发的必需品。 投资逻辑核心其实两点： 1）量价齐升：CPU 厂商（AMD, Intel, arm、海光）最直接。 2）卖铲子的人：由于 Agent 需要高带宽，内存配套（澜起）和先进封装/基板（深南）的需求甚至比 CPU 本身更稳。