<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>AI-Agent :: 标签 :: x7peeps</title><link>https://blog.x7peeps.com/tags/AI-Agent/index.html</link><description/><generator>Hugo</generator><language>zh-CN</language><lastBuildDate>Sun, 01 Nov 2026 23:45:00 +0800</lastBuildDate><atom:link href="https://blog.x7peeps.com/tags/AI-Agent/index.xml" rel="self" type="application/rss+xml"/><item><title>机器人在修 PR，人类只剩签字</title><link>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/%E6%9C%BA%E5%99%A8%E4%BA%BA%E5%9C%A8%E4%BF%AE-PR%E4%BA%BA%E7%B1%BB%E5%8F%AA%E5%89%A9%E7%AD%BE%E5%AD%97/index.html</link><pubDate>Sun, 01 Nov 2026 23:45:00 +0800</pubDate><guid>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/%E6%9C%BA%E5%99%A8%E4%BA%BA%E5%9C%A8%E4%BF%AE-PR%E4%BA%BA%E7%B1%BB%E5%8F%AA%E5%89%A9%E7%AD%BE%E5%AD%97/index.html</guid><description>11 月 1 日，OpenClaw 的仓库更新了 500 条 PR，其中 270 条被合并或关闭；Hermes Agent 同样更新了 500 条，其中 371 条还挂在待合并队列里。两个项目当天都没有发布新版本——OpenClaw 的 v2026.10.10-beta.5 是 10 月 31 日发的，Hermes 最新仍是 v0.22.5。</description></item><item><title>AI Agent 架构全景：ReAct、Plan-and-Execute、Reflexion、LATS</title><link>https://blog.x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/AI-Agent%E6%9E%B6%E6%9E%84%E5%85%A8%E6%99%AFReActPlan-and-ExecuteReflexion%E5%92%8CLATS/index.html</link><pubDate>Wed, 01 Jul 2026 12:21:09 +0800</pubDate><guid>https://blog.x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/AI-Agent%E6%9E%B6%E6%9E%84%E5%85%A8%E6%99%AFReActPlan-and-ExecuteReflexion%E5%92%8CLATS/index.html</guid><description>AI Agent 架构全景：ReAct、Plan-and-Execute、Reflexion、LATS 从 2022 年 Chain-of-Thought prompting 的爆火到 2024 年各类 Agent 框架百花齐放，“Agent"这个词已经从学术概念演变为工程实践中的核心范式。但当我们剥开 LangChain、AutoGPT 等框架的外衣，真正理解其底层架构模式的开发者并不多。本文将从第一性原理出发，系统梳理当前主流的四种 Agent 架构模式——ReAct、Plan-and-Execute、Reflexion、LATS，并深入解析其设计理念、实现细节和适用边界。</description></item><item><title>AI Agent 编排引擎：从框架选型到生产落地的技术全景</title><link>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/AI-Agent-%E7%BC%96%E6%8E%92%E5%BC%95%E6%93%8E%E4%BB%8E%E6%A1%86%E6%9E%B6%E9%80%89%E5%9E%8B%E5%88%B0%E7%94%9F%E4%BA%A7%E8%90%BD%E5%9C%B0%E7%9A%84%E6%8A%80%E6%9C%AF%E5%85%A8%E6%99%AF/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/AI-Agent-%E7%BC%96%E6%8E%92%E5%BC%95%E6%93%8E%E4%BB%8E%E6%A1%86%E6%9E%B6%E9%80%89%E5%9E%8B%E5%88%B0%E7%94%9F%E4%BA%A7%E8%90%BD%E5%9C%B0%E7%9A%84%E6%8A%80%E6%9C%AF%E5%85%A8%E6%99%AF/index.html</guid><description>AI Agent 编排引擎：从框架选型到生产落地的技术全景 AI Agent 正在从实验室的 Demo 走向生产环境的关键基础设施。Gartner 预测，到 2028 年 33% 的企业软件将嵌入 Agentic AI 能力，而独立的 Agentic AI 市场规模预计在 2034 年将达到 1990 亿美元（CAGR 43.8%）。但一个残酷的现实是：超过 40% 的 Agentic AI 项目将在 2027 年前被废弃，原因不是模型不够强，而是编排层无法在生产环境中可靠运行。</description></item><item><title>Agentic RAG：让 Agent 驱动检索增强生成的架构演进与工程实践</title><link>https://blog.x7peeps.com/AI/04-RAG%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%BA%93/Agentic-RAG%E8%AE%A9Agent%E9%A9%B1%E5%8A%A8%E6%A3%80%E7%B4%A2%E5%A2%9E%E5%BC%BA%E7%94%9F%E6%88%90%E7%9A%84%E6%9E%B6%E6%9E%84%E6%BC%94%E8%BF%9B%E4%B8%8E%E5%B7%A5%E7%A8%8B%E5%AE%9E%E8%B7%B5/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/04-RAG%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%BA%93/Agentic-RAG%E8%AE%A9Agent%E9%A9%B1%E5%8A%A8%E6%A3%80%E7%B4%A2%E5%A2%9E%E5%BC%BA%E7%94%9F%E6%88%90%E7%9A%84%E6%9E%B6%E6%9E%84%E6%BC%94%E8%BF%9B%E4%B8%8E%E5%B7%A5%E7%A8%8B%E5%AE%9E%E8%B7%B5/index.html</guid><description>Agentic RAG：让 Agent 驱动检索增强生成的架构演进与工程实践 传统 RAG 系统的工作方式可以类比为一个忠实但缺乏主动性的图书管理员——你提出问题，它在指定的书架上搜索相关段落，然后把原文呈现给你。这个模式在简单事实查询场景下运转良好，但当用户问出"对比分析 A 方案和 B 方案在生产环境中的性能差异，并给出推荐"这样的复合型问题时，单次检索的静态管道就显得力不从心。传统 RAG 的根本局限在于检索决策是预定义的、不可调整的——系统不会根据中间推理结果动态调整检索策略，无法判断当前检索结果是否充分，更不能自主发起多轮检索。</description></item><item><title>AI Agent 可靠性工程：从错误恢复到优雅降级的生产级实践</title><link>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/AI-Agent-%E5%8F%AF%E9%9D%A0%E6%80%A7%E5%B7%A5%E7%A8%8B%E4%BB%8E%E9%94%99%E8%AF%AF%E6%81%A2%E5%A4%8D%E5%88%B0%E4%BC%98%E9%9B%85%E9%99%8D%E7%BA%A7%E7%9A%84%E7%94%9F%E4%BA%A7%E7%BA%A7%E5%AE%9E%E8%B7%B5/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/AI-Agent-%E5%8F%AF%E9%9D%A0%E6%80%A7%E5%B7%A5%E7%A8%8B%E4%BB%8E%E9%94%99%E8%AF%AF%E6%81%A2%E5%A4%8D%E5%88%B0%E4%BC%98%E9%9B%85%E9%99%8D%E7%BA%A7%E7%9A%84%E7%94%9F%E4%BA%A7%E7%BA%A7%E5%AE%9E%E8%B7%B5/index.html</guid><description>AI Agent 可靠性工程：从错误恢复到优雅降级的生产级实践 构建一个 AI Agent 的 Demo 只需要 20 行代码——一个 while 循环加上 LLM 调用和工具接口。但将其部署到生产环境并可靠运行，复杂度会发生量级跃迁。这不是模型能力的问题，而是 Agent 系统在生产环境中遭遇的失败模式与传统软件截然不同：它们更隐蔽、更难以复现、且往往在输出层面看起来"完全正常"。</description></item><item><title>AI Agent 不可靠时长什么样：两大开源智能体生态的稳定性缺陷实证分析</title><link>https://blog.x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/AI-Agent-%E4%B8%8D%E5%8F%AF%E9%9D%A0%E6%97%B6%E9%95%BF%E4%BB%80%E4%B9%88%E6%A0%B7%E4%B8%A4%E5%A4%A7%E5%BC%80%E6%BA%90%E6%99%BA%E8%83%BD%E4%BD%93%E7%94%9F%E6%80%81%E7%9A%84%E7%A8%B3%E5%AE%9A%E6%80%A7%E7%BC%BA%E9%99%B7%E5%AE%9E%E8%AF%81%E5%88%86%E6%9E%90/index.html</link><pubDate>Tue, 08 Sep 2026 23:47:00 +0800</pubDate><guid>https://blog.x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/AI-Agent-%E4%B8%8D%E5%8F%AF%E9%9D%A0%E6%97%B6%E9%95%BF%E4%BB%80%E4%B9%88%E6%A0%B7%E4%B8%A4%E5%A4%A7%E5%BC%80%E6%BA%90%E6%99%BA%E8%83%BD%E4%BD%93%E7%94%9F%E6%80%81%E7%9A%84%E7%A8%B3%E5%AE%9A%E6%80%A7%E7%BC%BA%E9%99%B7%E5%AE%9E%E8%AF%81%E5%88%86%E6%9E%90/index.html</guid><description>AI Agent 不可靠时长什么样：两大开源智能体生态的稳定性缺陷实证分析 导读：AI Agent 的能力演示视频遍地都是，但把它当成常驻基础设施跑起来之后，真正决定去留的往往是另一个问题——消息到底有没有送到、状态到底有没有写坏。本文基于两大开源个人智能体项目（OpenClaw 与 Hermes Agent）2026 年 9 月上旬连续两日的社区动态与缺陷追踪数据，实证拆解常驻 Agent 的四类稳定性缺陷：消息静默丢失、会话状态损坏、阻塞式架构缺陷、升级路径破坏。读完你会得到四件事：一套可直接套用的缺陷分类框架、每类缺陷的真实案例与根因、对"入流出清比"这个生态健康度指标的理解，以及选型/自建时常驻 Agent 的排查清单。</description></item><item><title>硬币决定专家结论：Anthropic 实验里 86% 的判断跟着 AI 走</title><link>https://blog.x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/%E7%A1%AC%E5%B8%81%E5%86%B3%E5%AE%9A%E4%B8%93%E5%AE%B6%E7%BB%93%E8%AE%BA-Anthropic%E5%AE%9E%E9%AA%8C%E9%87%8C86%E7%9A%84%E5%88%A4%E6%96%AD%E8%B7%9F%E7%9D%80AI%E8%B5%B0/index.html</link><pubDate>Thu, 29 Oct 2026 14:45:00 +0800</pubDate><guid>https://blog.x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/%E7%A1%AC%E5%B8%81%E5%86%B3%E5%AE%9A%E4%B8%93%E5%AE%B6%E7%BB%93%E8%AE%BA-Anthropic%E5%AE%9E%E9%AA%8C%E9%87%8C86%E7%9A%84%E5%88%A4%E6%96%AD%E8%B7%9F%E7%9D%80AI%E8%B5%B0/index.html</guid><description>10 月 27 日，Anthropic 的对齐（Alignment）团队发布了一项随机对照试验：50 名职业分析师带着自己的 AI 编码智能体做一份真实的统计分析，结果他们在 86% 的关键判断上跟随了智能体的偏好——而这些偏好是研究者用抛硬币随机塞给智能体的。更值得注意的是后续调查里的数字：77% 的分析师在解释自己的选择时复述了智能体的论据（有时一字不差），但只有 15% 承认这些论据来自智能体。</description></item><item><title>48个技能，46个只增不减</title><link>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/48%E4%B8%AA%E6%8A%80%E8%83%BD46%E4%B8%AA%E5%8F%AA%E5%A2%9E%E4%B8%8D%E5%87%8F/index.html</link><pubDate>Thu, 29 Oct 2026 22:30:00 +0800</pubDate><guid>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/48%E4%B8%AA%E6%8A%80%E8%83%BD46%E4%B8%AA%E5%8F%AA%E5%A2%9E%E4%B8%8D%E5%87%8F/index.html</guid><description>2026 年 10 月 29 日 03 点 34 分（UTC），OpenClaw 仓库里一个编号 #186861 的拉取请求被合并。这个请求做的事情听起来有点朴素：给「技能工作坊」加上一套让习得技能「减肥」的机制。它的动机来自一次对生产环境智能体的实测——那个智能体身上挂着四十八个习得技能，其中四十六个处于「只增不减」的状态：装上之后从未被清理、从未被合并、从未被判定过还有没有用，随着运行时间一路堆积。合并进来的修复方案是给这堆技能加一个每日维护收缩的环节，让系统每天自己问一遍：这些东西还都要吗。</description></item><item><title>一天三版本与零发布:智能体生态的分化时刻</title><link>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/%E4%B8%80%E5%A4%A9%E4%B8%89%E7%89%88%E6%9C%AC%E4%B8%8E%E9%9B%B6%E5%8F%91%E5%B8%83%E6%99%BA%E8%83%BD%E4%BD%93%E7%94%9F%E6%80%81%E7%9A%84%E5%88%86%E5%8C%96%E6%97%B6%E5%88%BB/index.html</link><pubDate>Thu, 29 Oct 2026 02:10:00 +0800</pubDate><guid>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/%E4%B8%80%E5%A4%A9%E4%B8%89%E7%89%88%E6%9C%AC%E4%B8%8E%E9%9B%B6%E5%8F%91%E5%B8%83%E6%99%BA%E8%83%BD%E4%BD%93%E7%94%9F%E6%80%81%E7%9A%84%E5%88%86%E5%8C%96%E6%97%B6%E5%88%BB/index.html</guid><description>2026 年 10 月 27 日 23 点 44 分(UTC),一份覆盖 GitHub 上五百条 issue 更新的快照被生成出来。快照里有两个名字挨得很近的项目:一个叫 OpenClaw,一个叫 Hermes Agent。前者的日报口径里写着单日发布了三个版本——一个 beta、一个正式版,还有一个专门给求稳用户准备的长期支持版;后者在同一天里没有一个正式 release,五百条拉取请求更新里,三百六十三个还排在待合并队列里。</description></item><item><title>AI Agent安全与自动化攻击防御取证深度分析</title><link>https://blog.x7peeps.com/%E5%AE%89%E5%85%A8/%E5%BA%94%E6%80%A5%E5%93%8D%E5%BA%94/0x03%E5%8F%96%E8%AF%81%E5%88%86%E6%9E%90/AI-Agent%E5%AE%89%E5%85%A8%E4%B8%8E%E8%87%AA%E5%8A%A8%E5%8C%96%E6%94%BB%E5%87%BB%E9%98%B2%E5%BE%A1%E5%8F%96%E8%AF%81%E6%B7%B1%E5%BA%A6%E5%88%86%E6%9E%90/index.html</link><pubDate>Mon, 13 Jul 2026 14:00:00 +0800</pubDate><guid>https://blog.x7peeps.com/%E5%AE%89%E5%85%A8/%E5%BA%94%E6%80%A5%E5%93%8D%E5%BA%94/0x03%E5%8F%96%E8%AF%81%E5%88%86%E6%9E%90/AI-Agent%E5%AE%89%E5%85%A8%E4%B8%8E%E8%87%AA%E5%8A%A8%E5%8C%96%E6%94%BB%E5%87%BB%E9%98%B2%E5%BE%A1%E5%8F%96%E8%AF%81%E6%B7%B1%E5%BA%A6%E5%88%86%E6%9E%90/index.html</guid><description>系统剖析AI Agent安全威胁与自动化攻击防御取证全链路方法论，涵盖间接提示注入攻击检测、Agent记忆投毒与RAG知识库污染取证、工具链劫持与函数调用滥用分析、MCP协议中间人攻击与Server伪装检测、Agent沙箱逃逸与权限提升取证、多Agent协作攻击与信任链破坏分析，结合真实Agent安全事件案例提供Sigma规则与自动化检测脚本</description></item><item><title>大语言模型(LLM)应用安全取证深度分析</title><link>https://blog.x7peeps.com/%E5%AE%89%E5%85%A8/%E5%BA%94%E6%80%A5%E5%93%8D%E5%BA%94/0x03%E5%8F%96%E8%AF%81%E5%88%86%E6%9E%90/%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8BLLM%E5%BA%94%E7%94%A8%E5%AE%89%E5%85%A8%E5%8F%96%E8%AF%81%E6%B7%B1%E5%BA%A6%E5%88%86%E6%9E%90/index.html</link><pubDate>Fri, 17 Jul 2026 11:00:00 +0800</pubDate><guid>https://blog.x7peeps.com/%E5%AE%89%E5%85%A8/%E5%BA%94%E6%80%A5%E5%93%8D%E5%BA%94/0x03%E5%8F%96%E8%AF%81%E5%88%86%E6%9E%90/%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8BLLM%E5%BA%94%E7%94%A8%E5%AE%89%E5%85%A8%E5%8F%96%E8%AF%81%E6%B7%B1%E5%BA%A6%E5%88%86%E6%9E%90/index.html</guid><description>系统剖析大语言模型LLM应用环境下的安全取证方法论，涵盖提示注入攻击直接与间接注入检测与溯源、RAG检索增强生成系统安全取证向量数据库污染与检索劫持、LLM数据投毒与模型后门取证、对抗样本与越狱攻击取证分析、AI Agent工具调用与MCP协议滥用取证，结合ChatGPT数据泄露与Copilot代码投毒真实案例还原LLM应用全链路取证流程并提供Sigma与自动化检测脚本</description></item></channel></rss>