与传统的软件系统不同，智能体是天然具有「结构」的。
首先，单智能体内部，可以包含LLM、工作worker、工具等一系列内部模块。其次，多智能体是由多个子智能体组合而成的，不管是「agent as tool」还是其他的组合模式。第三，确定性的workflow和高自主性的agentic模块，在实际生产中是很可能出现在同一个系统中被组合使用的。这些都呈现出某种「结构」性信息。
今天，我以开源Bridgic 的链路追踪集成 (tracing) 为例，聊一聊AI时代的可观测性 (Observability) 相关的话题。
上篇文章发出来之后，不少朋友说想看看「动态拓扑」的代码长什么样子。当然，代码怎么写只是问题的一个方面，是一个表现形式。关键问题在于，上篇文章讨论的那些所谓的「思考」，是如何从抽象的概念变为实实在在的代码的，以及这些代码的结构是如何组织起来的。这是一个有趣的过程（相信你也会这么认为）。
有不少读者朋友发来私信询问，如果要开发AI Agent应该如何对AI框架进行选型。这确实不是一两句话能够说清楚的，因为我觉得也不好选🤦
一方面，虽然市面上选择很多，但各自的差异也比较大，没有能“包治百病”的。另一方面，在我看来各种方案都不够好：要么代码臃肿，概念堆砌；要么就是各种黑盒方案，在生产环境很不可控…
在上篇文章中，我们讨论了AI智能体开发中「人类在环 (human-in-the-loop)」机制的一些重要方面。今天，我给出一些示例代码来展示其中核心部分的实现过程及注意事项。文末附上源码下载链接。
前段时间确实有点忙，好久没有发文了。不过最近有好多AI技术方面的想法要跟大家分享:-)
今天我们主要聊一聊在AI Agent开发中非常重要的一个特性：human-in-the-loop。
大概一个多月之前，我们曾经深入讨论了AI Agent自主性的本质是什么。今天，我们沿着这个话题更进一步，去探究一下AI Agent的自主性这一本质特性，可能会对新时代的软件开发工作带来什么样的影响。
本文集中精力展开讨论三件事：
最近，国外一些很有见地的工程师，正在热议一个新的概念：Context Engineering。也许，这一概念的提出，代表了业界对于当前AI技术以及落地阶段的某种认知的转变。今天，我们就来简明扼要地讨论一下Context Engineering这一概念产生的背景、它的定义，以及它与Prompt Engineering的区别。