木昆子记录AI

* 支持将复杂任务递归分解为可执行的步骤：Agent 在执行任务时可能需要进一步分解子任务 * 提高系统的灵活性和可扩展性 * 避免单点故障，每个 Agent 都能独立工作

在上篇《多智能体协作案例实践（一）：基于AgentScope框架》文章中，Chaiys同学围绕高考信息查询智能助手业务场景，采用AgentScope框架进行多智能体协作的验证。 本文基于同样的业务场景

在之前《几种AI Agent开发框架对比》这篇文章中，我们设计了一个高考信息查询智能助手业务场景，使用几种AI Agent开发框架分别实现进行对比分析，因为文档太长，其中多智能体协作章节就没有详细展开

在之前几篇文章中，Chaiys同学设计了一个高考信息查询智能助手AI Agent业务场景，分别使用手写代码、LangChain框架、QwenAgent框架、AgentScope框架实现了一次，学习了几

书接上文：AI Agent案例实践：三种智能体开发模式详解之一（手写代码） 简要回顾前文中高考查询小助手的业务背景：准备两张表（分别是每年的高考参加人数信息表college_entrance_exam

书接上文：AI Agent案例实践：三种智能体开发模式详解之二（基于LangChain框架） 四、开发实践（基于QwenAgent框架） 前文中，我们使用LangChain框架实现了我们的智能体。下面

书接上文：Agent案例实践：三种智能体开发模式详解之一（手写代码） 三、开发实践（基于LangChain框架） 上述高考信息查询的实现，我们的流程：语义匹配表元数据-->大模型根据提示词生成SQL-

在大模型与智能体应用场景层出不穷的今天，作为一名不断学习的信息化数字化从业者，我们可以实践一下AI Agent基本开发流程，理论联系实践，以加深我们对AI Agent的了解。 一、案例描述 1.1.

本文深入分析Streamable HTTP协议的技术特性，说明其在大模型LLM+MCP调用场景中的应用实践，并分析该场景中选择Streamable HTTP作为基础通讯协议的优势。