云程智能体开发平台

摘要： 很多企业在建设 AI 知识库时，最开始关注的是“能不能上传文档、能不能问答”。真正进入业务场景以后，问题会变得更具体：Word 文档按什么边界切？Markdown 的标题层级要不要保留？PDF 的阅读顺序错了怎么办？扫描图片怎么做 OCR？Excel 表格是按行切，还是按表切？切片以后怎么判断质量？最后检索时，是只用向量检索，还是要关键词、混合检索和 Rerank？文档检索的质量怎么样？ 阅读全文

摘要： 阿里巴巴开源生态里有两个经常被开发者同时提到的 AI 框架：Spring AI Alibaba 和 AgentScope。很多 Java 开发者、AI 应用开发者会困惑：它们都是阿里的 AI 开源框架，到底应该选哪个？是不是功能重复？哪个更适合企业智能体项目？ Spring AI Alibaba 更偏 Java / Spring 生态下的 AI 工程开发，适合把模型、Agent、Graph、Workflow、RAG、工具调用等能力嵌入企业 Java 后端系统。AgentScope 更偏多智能体应用框架，强调 Agent 的构建、运行、协作、观测和调试，更适合复杂 Agentic 应用和多智能体研究实践。 阅读全文

摘要： Spring AI 和 LangChain4j 都值得关注。前者更适合 Spring 企业工程体系，后者更适合快速构建和实验 LLM 应用。AI 工作流设计器可以选择 React Flow、LogicFlow、bpmn-js 或 Rete.js，但不要忽略执行引擎和治理能力。 阅读全文

摘要： Anthropic 在 Agent Skills 文档中把 Skill 定义为扩展 Claude 能力的模块化能力包，每个 Skill 会打包说明、元数据以及可选资源，例如脚本和模板；Anthropic 官方 skills 仓库也明确说明，每个 skill 都是一个自包含目录，目录内包含 SKILL.md，用于描述该能力的说明和元数据。 OpenAI Agents SDK 则更多使用 Tool 的概念，强调 Agent 可以添加 hosted tools、function tools 或 MCP，让模型连接外部系统、访问训练数据之外的信息并执行应用侧动作。MCP 官方文档进一步把外部能力标准化为 tools、resources、prompts 等协议对象，让 Agent 能以统一方式访问文件、数据库、浏览器、代码仓库和第三方服务。 阅读全文

摘要： AI Agent 工程师不是单纯的算法工程师，也不是只会调用模型 API 的应用开发人员，而是能够把大模型能力、企业知识、工具接口、工作流、权限治理和运行监控组合起来，构建可上线 AI 应用的人。 阅读全文

摘要： AI Agent 擅长处理不确定性。比如用户意图理解、问题拆解、知识检索、工具选择、文本生成、方案总结。这些事情很难完全用固定规则写死。 AI 工作流擅长处理确定性。比如节点顺序、条件分支、变量传递、人工确认、异常处理、系统回写和运行日志。这些事情必须稳定、可控、可复现。 阅读全文

摘要： 聊天机器人通常围绕一个核心能力展开：用户输入自然语言，系统生成自然语言回复。它可以接入知识库，也可以配置提示词，甚至可以调用简单工具。但多数情况下，它的主要目标仍然是“回答问题”。企业 Agent 的目标则不同。Agent 不只是回答问题，而是围绕一个任务进行理解、规划、检索、调用和执行。它需要知道当前用户是谁、任务上下文是什么、可以使用哪些知识、可以调用哪些工具、哪些动作需要人工确认、执行结果如何回写业务系统、整个过程如何被记录和审计。 阅读全文

摘要： 企业对大模型和AI智能体的热情非常高。很多团队已经完成了 Chatbot、知识库问答、文档生成、数据分析助手、流程自动化助手等 Demo。但从 Demo 到生产应用，中间往往隔着一条很深的沟。 阅读全文

摘要： 企业级AIAgent的开发远不止于简单的Prompt调用和工具集成，其核心在于构建一个可信、可控、可追踪的生产级应用。设计时需明确任务边界，选择适配的模型与运行策略，并通过Prompt定义角色约束与输出标准。知识库需确保权限可控，工具调用需遵循最小权限原则，输入输出需结构化以适配业务闭环。同时，需具备调试、链路日志、版本管理及权限控制能力，并与工作流协同处理复杂任务。最终目标是实现从技术Demo到企业生产环境的跨越，满足NIST和OWASP强调的可信AI治理要求。 阅读全文

摘要： 企业 AI 应用的竞争点，正在从“模型能力”转向“工程化能力”。 谁能把大模型、企业知识、工具、MCP、Skill、Agent、AI工作流、业务系统、权限治理和运行日志组织起来，谁就更容易把 AI 真正嵌入业务流程。 智能体开发平台的意义，也正在于此。 它让企业不再把 AI 当成一个孤立的问答工具，而是把 AI 当成可以设计、编排、发布、治理和持续优化的企业级应用能力。 阅读全文

摘要： AI Agent平台不能只考虑常规 x86、Windows、MySQL 或通用 Linux 环境，还需要考虑国产操作系统、国产数据库、国产中间件、国产 CPU 和国产云平台。 阅读全文

摘要： 为什么企业需要一个 AI Agent 平台，而不是为每个场景单独开发一套 AI 程序。 平台把模型、知识库、Tool、MCP、Skill、Agent、工作流、应用发布和链路日志统一起来，业务团队才能用相同的方法持续构建不同 AI 应用。 阅读全文

摘要： 云程智能体开发平台是一款面向企业级 AI Agent建设的智能体开发与运行平台。平台以“可配置、可扩展、可发布、可治理、可追踪”为核心目标，帮助企业将 AI 模型、Prompt、知识库、Tool、MCP、Skill、Agent、工作流和应用发布能力统一纳入平台化管理。智能体开发平台采用分层应用架构，从用户访问入口到 AI 应用构建、智能编排、能力扩展、模型服务和治理运维形成完整闭环。用户可以通过工作台、WebApp、Embed、API 或第三方系统访问平台发布的 AI 应用；应用层承载 Agent 应用、工作流应用和公开应用；编排层提供 Agent、工作流设计器、会话管理、变量与上下文等能力；能力层包括知识库、Tool、MCP、Skill 和 Prompt 模板；基础层统一承载模型服务、向量库、数据库、缓存和对象存储；治理层贯穿版本管理、权限管理、资源依赖、日志追踪、调试诊断和运行监控。 阅读全文

摘要： 企业级 AI 应用的生产化，不是一组零散功能，而是一条闭环链路。包括： 1. 设计 Agent 或工作流； 2. 绑定模型、知识库、Tool、MCP、Skill 等资源； 3. 进行调试和测试； 4. 发布为应用入口或集成接口； 5. 为应用配置角色授权； 6. 在业务系统中使用或被调用； 7. 记录运行链路日志； 8. 根据日志和反馈进行诊断优化； 9. 形成新版本并再次发布。 阅读全文

摘要： AI智能体必须能够访问知识、连接系统、调用工具、执行动作，并且保证整个过程安全可控。 Tool、MCP、Skill 是智能体平台连接业务系统的三类关键能力。 Tool 让 AI 能调用具体接口，MCP 让 AI 能接入标准化工具生态，Skill 让 AI 能沉淀可复用任务能力。 当这些能力进入统一市场，被 Agent 和工作流组合使用，企业就可以把一个个 AI 项目沉淀成可复用、可治理、可追踪的能力资产。 阅读全文

摘要： 企业知识库 RAG 的价值，不只是让 AI 能回答文档里的问题。更重要的是，让 AI 在企业权限边界内，安全、准确、可追踪地使用知识。没有权限控制的知识库，越强大，风险越大。没有检索日志的知识库，答案越多，越难解释。没有持续评估的知识库，短期能用，长期很难稳定。因此，企业级 RAG 必须把权限控制、检索策略、知识引用和日志追踪作为核心能力。 阅读全文

摘要： Agent 和工作流不是谁替代谁的问题。Agent 让 AI 应用具备理解、推理和能力调用能力。工作流让 AI 应用具备流程控制、节点追踪和生产化运行能力。真正可用的企业级 AI 应用，往往需要把二者结合起来。 用 Agent 处理不确定性，用工作流管理确定性；用 Agent 提供智能，用工作流保障可控；用应用发布交付业务用户，用链路日志支撑持续优化。这才是企业 AI 应用从“能回答问题”走向“能执行任务”的关键路径。 阅读全文

摘要： 企业级 AI 应用不是简单地“接一个大模型”。它需要模型接入、知识库 RAG、工具扩展、Agent 构建、工作流编排、应用发布、权限治理、链路日志和运行诊断等一整套平台能力。企业级 AI 智能体开发平台，本质上是一套 AI 应用工程化底座。 阅读全文

摘要： 大模型是企业 AI 应用的能力基础，但不是企业 AI 落地的全部答案。企业真正需要的，是一套能够连接大模型、企业知识库、工具/MCP/Skill、工作流、权限和业务系统的智能体开发平台。只有当 AI 应用具备可配置、可发布、可授权、可追踪、可复用和可持续优化的能力时，大模型才能真正从技术能力变成企业生产力。 阅读全文

摘要： 我们在上一遍文章中介绍了如何通过 LangChain实现开发自定义MCP Server，并langgraph.prebuilt 提供的预定义代理（Agent）模板+DeepSeek实现了MCP Client的调用。 本文在上一篇文章基础上继续深化，介绍基于 LangChain +DeepSeek如何实现实现多个MCP调用。首先自定义了两个MCP Server，其中：一个是算术计算器MCP Server，并通过sdtio传输协议发布，另一个是天气预报MCP Server，通过sse传输协议发布。然后实现一个MCP Client，使用langgraph.prebuilt的create_react_agent代理模板，并调用DeepSeek大模型完成整个 MCP 调用流程，同时给出来整个示例的 Python 代码。 阅读全文