基于阿里云通义星尘实现多智能体（Multi-agent）协同工作的构想与尝试
近年来，大规模预训练模型（大模型）快速发展，其能力显著增强，尤其是在语言理解和生成方面取得了突破。然而，尽管大模型强大，但仍需被动响应指令，为此，研究转向了更具自主性的新范式——智能体（AI agent）。不同于仅执行命令的大模型，智能体不仅能理解复杂指令，还能规划行动步骤并在特定领域自我学习与改进。为进一步提高处理复杂任务的能力，多智能体（Multi-Agent）系统应运而生，多个智能体通过协作、交流信息和共享资源，共同完成更为复杂精细的任务。本文探讨了如何利用阿里云的通义星尘实现基础的多智能体协同工作，介绍了智能体的概念、优势及局限性，并通过具体案例展示了如何构建协作型多智能体系统。
深入浅出智能工作流（Agentic Workflow）｜技术干货
著名AI学者、斯坦福大学教授吴恩达提出AI Agent的四种设计方式后，Agentic Workflow（智能体工作流）在全球范围内迅速走红，多个行业纷纷实践其应用，并推动了新的Agentic AI探索热潮。吴恩达总结了Agent设计的四种模式：自我反思、工具调用、规划设计及多智能体协作。前两者较普及，后两者则为智能体使用模式从单一大模型向多智能体协同配合完成业务流程的转变奠定了基础。
一文读懂deepSpeed：深度学习训练的并行化
DeepSpeed 是由微软开发的开源深度学习优化库，旨在提高大规模模型训练的效率和可扩展性。通过创新的并行化策略、内存优化技术（如 ZeRO）及混合精度训练，DeepSpeed 显著提升了训练速度并降低了资源需求。它支持多种并行方法，包括数据并行、模型并行和流水线并行，同时与 PyTorch 等主流框架无缝集成，提供了易用的 API 和丰富的文档支持。DeepSpeed 不仅大幅减少了内存占用，还通过自动混合精度训练提高了计算效率，降低了能耗。其开源特性促进了 AI 行业的整体进步，使得更多研究者和开发者能够利用先进优化技术，推动了 AI 在各个领域的广泛应用。