mas
Agentic设计模式：Reflection
Reflection模式为智能体增加了一个**自我评估和迭代改进的层次**，使其能够对其自身的工作、输出或内部状态进行批判性审查，并利用评估结果来提升性能或优化响应。
mas
Agentic设计模式：Reflection
Reflection模式为智能体增加了一个**自我评估和迭代改进的层次**，使其能够对其自身的工作、输出或内部状态进行批判性审查，并利用评估结果来提升性能或优化响应。
多智能体系统
多智能体设计模式、框架和应用
mas
Agentic设计模式：ReAct
ReAct设计模式将智能体的行为结构化为**显式的推理循环**，将思维链（CoT）推理与智能体的工具交互结合起来，让智能体在思考和行动之间交替进行，从而实现复杂、自适应的问题求解。
mas
Agentic设计模式：ReAct
ReAct设计模式将智能体的行为结构化为**显式的推理循环**，将思维链（CoT）推理与智能体的工具交互结合起来，让智能体在思考和行动之间交替进行，从而实现复杂、自适应的问题求解。
mas
AI Agent 深度解析：二维四象限法则与架构演进
本文介绍了多智能体强化学习（MARL）在多智能体系统（MAS）中的应用：理论、算法、应用与展望。
mas
Agent Lightning
介绍
微软开源的 Agent Lightning 项目，它的核心价值在于为开发者和研究者提供了一个强大的工具，用于训练和优化 AI Agent（智能代理），特别是几乎不需要修改现有 Agent 代码就能实现显著的性能提升。
Agent Lightning
https://microsoft.github.io/agent-lightning/latest/
RAGEN
https://gemini.google.com/app/9ece70bdfdaea0dc
RAGEN 是一个利用强化学习训练 LLM 推理代理的系统，旨在解决多回合互动和随机环境中的挑战。该项目通过 StarPO 框架优化轨迹级别的推理和行动策略。RAGEN 的模块化设计包括环境状态管理器、上下文管理器和代理代理，支持多种环境和实验。项目强调了其在不同环境复杂性中的泛化能力，并提供了详细的设置和评估指南。
