阿里
阿里把 Agent 框架搬上 Spring — 国产 AI 基础设施在补工程深度
Spring AI Alibaba 系列第四篇技术拆解聚焦 ReactAgent —— 把国产 Agent（智能代理）里最主流的 ReAct 模式（让 AI 想一步、调工具、再想一步的循环）翻译成 Spring 状态图引擎能跑的节点和钩子。值得企业 IT 关注的是，Java 后端开始有了正经的 Ag
返回首页
ReAct
找到 11 篇关于此标签的文章
Function Calling
AI 凭什么能替你操作文件 — Function Calling 拆到代码级
一位开发者把 AI Agent 调用工具的全过程拆到代码：工具怎么注册、模型怎么知道有哪些可用、失败怎么熔断。理解这套机制，是判断 AI 助手产品能力的起点。
AI Agent
AI Agent 没有魔法：拆开它的核心循环看，就是一个反复试错的工人
本周一篇技术拆解把 AI Agent 的核心代码摊开：所谓'智能体'，本质是'读→想→做→看结果→再来'的循环，配上错误处理和状态管理。这件事值得关心，是因为我们花出去的每一分 AI 订阅费，买的到底是真智能还是一套工程把戏。
MyCodeAgent
1.4 万行 Python 拆解 AI 编程 Agent — 黑箱正在被打开
一位开发者用 1.4 万行 Python 写了一个不依赖 LangChain 的本地编程 Agent，把 CLI 入口、依赖组装、ReAct 主循环三层架构摊在源码里。我们认为这件事值得关心——AI 编程工具的'黑箱'正在被打开，企业评估和采购时多了一份参照。
ReAct
从思维链到 ReAct，AI 真正能干活的门槛不在会答题而在会纠错
ReAct（推理+行动）把大模型从“会聊天”推进到“会做事”，关键不只是能调工具，而是能根据结果反复修正。值得关心的是，Agent 落地的瓶颈正在从模型能力转向流程设计、容错机制和业务接入。
LangChain
一套前端 Agent 教程拆成 5 个模块，AI 落地门槛正在从模型转向工程
这篇实战文章没发布新模型，却给了一个更重要的信号：做一个能用的 Agent，重点已不再是“接上大模型”，而是记忆、工具、状态和调试流程这些工程细节。值得关心的是，国内企业做 AI 应用的竞争，正从拼模型参数转向拼交付能力。
ReAct
AI 岗面试开始追问「Agent 跑飞怎么办」— 工程能力正取代术语背诵成筛选标准
ReAct 是当前 AI Agent 最主流的推理范式，面试正从背定义转向追问失败恢复策略。这意味着 Agent 开发进入工程化深水区——光知道术语不够了，得见过真实翻车。
LangChain
LangChain 拆解 Agent 内部机制 — 大模型落地正从「能跑就行」转向「可控才敢用」
LangChain 官方教程本周拆解了 Agent 底层图结构，揭示 ReAct 推理循环的完整机制。这说明 AI Agent 开发正从调高层 API 转向底层流程编排—对企业落地而言，可控性比便捷性更关键。
Agent架构
Agent 的推理方式不 止一种，但大多数人搞混了它们 的层级关系
一篇来自 掘金的技术文章，把 Agent 常见推理模式（如 ReAct、Reflex ion、Router）从「并列选一」 重新整理成「三层递进」结构。这件 事的意义在于：它直接影响企业在搭建 AI 自动化流程时的架构判断——选错层 级，返工成本极高。
LangChain
AI 助手「自己会 想下一步」背后，藏着三层架构——读 懂它，你才知道它什么时候会失控
现 在市面上的 AI 编程助手、智能客服，绝大多数都跑在一套 「三层嵌套」架构上：最外层保持待 命、中间层动态决策、最内层按顺序干活。这套架构决定了 AI 能做多复杂的任务，也决定了它在 哪里会卡住、失控、或者无休止地转 圈。理解这件事，比学会用某款 AI 工具更重要。
Andrew
-Ng
Agentic AI Bottleneck Shifts from Code to Deployment Operations
Andrew Ng 指出，Agentic AI 的瓶颈已 不再是代码编写，而是生产环境部署与问题定义， 一个新的运营角色正在悄然兴起。
4月18日9 分钟opcnew 编辑部juejin.cn