通义研究团队开源发布通义 DeepResearch —— 首个在性能上可与 OpenAI DeepResearch 相媲美、并在多项权威基准测试中取得领先表现的全开源 Web Agent。

PAI-LangStudio 和 Qwen3 构建基于 MCP 协议的 Hologres ChatBI 智能 Agent 应用，通过将 Agent、MCP Server 等技术和阿里最新的推理模型 Qwen3 编排在一个应用流中，为大模型提供了 MCP+OLAP 的智能数据分析能力，使用自然语言即可实现 OLAP 数据分析的查询效果，减少了幻觉。开发者可以基于该模板进行灵活扩展和二次开发，以满足特定场景的需求。

通过通义灵码编程智能体模式和 MCP 的集成，开发者可以高效构建在线菜品推荐网站。智能体模式大幅提升了开发效率，MCP 服务则为功能扩展提供了无限可能。

本文介绍了大模型中的`agent`概念及其作用。通过类比日常使用的浏览器作为访问网页的代理，解释了`agent`在大模型中的角色：简化复杂操作、增强功能性。文中提到，即使是简单的功能实现（如查询天气），也可以视为`agent`的应用。进一步探讨了一个典型的智能家庭助理`agent`的工作流程，包括感知环境、思考决策和执行行动三个主要阶段。这不仅帮助理解`agent`的功能，也为开发更复杂的`agent`提供了参考。

本文介绍了通过阿里云Hologres、函数计算FC和通义千问Qwen3构建企业级数据分析Agent的解决方案。大模型在数据分析中潜力巨大，但面临实时数据接入与跨系统整合等挑战。MCP（模型上下文协议）提供标准化接口，实现AI模型与外部资源解耦。方案利用SSE模式连接，具备高实时性、良好解耦性和轻量级特性。Hologres作为高性能实时数仓，支持多源数据毫秒级接入与分析；函数计算FC以Serverless模式部署，弹性扩缩降低成本；Qwen3则具备强大的推理与多语言能力。用户可通过ModelScope的MCP Playground快速体验，结合TPC-H样例数据完成复杂查询任务。

大语言模型（LLM）在过去几年中彻底改变了自然语言处理领域，展现了在理解和生成类人文本方面的卓越能力。然而，通用LLM的开箱即用性能并不总能满足特定的业务需求或领域要求。为了将LLM更好地应用于实际场景，开发出了多种LLM定制策略。本文将深入探讨RAG（Retrieval Augmented Generation）、Agent、微调（Fine-Tuning）等六种常见的大模型定制策略，并使用JAVA进行demo处理，以期为AI资深架构师提供实践指导。

通义实验室联合阿里云百炼发起有奖征文活动！使用Qwen3+MCP Sever搭建Agent，即有机会瓜分1亿Tokens大奖与限定周边。活动时间：5月6日-5月30日征稿，投稿需包含技术文档、故事分享、演示视频及知识产权承诺书。突出技术创新与场景应用，传播潜力更大！扫码报名并分享至社交平台还有额外抽奖机会，赢定制好礼！

本文介绍了DLRover LLM Agent，展示了基于 LLM 上下文学习能力的优化算法设计理念以及在DLRover 资源调优上的应用方法和效果。

本方案旨在介绍如何部署 AI 大模型实现对客户对话的自动化分析，支持多人、多语言识别，精准识别客户意图、评估服务互动质量，实现数据驱动决策。

2025年，以DeepSeek等大模型为核心的智能客服系统，突破传统效率瓶颈，通过全渠道整合、多模态交互、个性化服务与情感智能，重构企业客户互动模式。从机械应答到认知共情，从单一文本到多维交互，大模型赋能客服系统成为企业价值创造的战略资产，推动客户服务迈向智能化新纪元。