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。
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。
如何构建智能时代的新安迪比尔定律？
安迪比尔定律曾经为IT产业创造了一种绝佳的模式：What Andy gives, Bill takes away.然而，想要构建智能时代的“新”安迪比尔定律，就不能照搬计算机时代的“旧”安迪比尔定律。
如何构建和调优高可用性的Agent？浅谈阿里云服务领域Agent构建的方法论
本文深入探讨了Agent智能体的概念、技术挑战及实际落地方法，涵盖了从狭义到广义的Agent定义、构建过程中的四大挑战（效果不稳定、规划权衡、领域知识集成、响应速度），并提出了相应的解决方案。文章结合阿里云服务领域的实践经验，总结了Agent构建与调优的完整路径，为推动Agent在To B领域的应用提供了有价值的参考。
主流多智能体框架设计原理
本文描述了关于智能体（Agents）和多智能体系统（Multi-Agent Systems, MAS）的详尽介绍，涵盖了从定义、分类到具体实现框架的多个方面。
多智能体协作平台（MCP）实现多供应商AI生态系统中的互操作性
在现代人工智能（AI）领域，智能体的互操作性是实现系统协同的关键要素。随着多个供应商提供不同的智能体产品，如何在复杂的生态系统中构建互操作性的基础设施变得尤为重要。本文将探讨如何构建一个支持多供应商智能体互操作性的生态体系，重点讨论多供应商环境中的MCP（Multi-Agent Collaborative Platform）架构，解决不同智能体之间的协作与资源共享问题。