全文链接https://tecdat.cn/?p45264原文出处拓端数据部落公众号关于分析师在此对Shawn Li对本文所作的贡献表示诚挚感谢他在上海交通大学完成了计算机科学与技术专业的硕士学位专注人工智能与软件工程交叉领域。擅长Python、LangChain、智能体系统开发、数据爬虫、优化算法曾为多家金融科技企业构建AI自动化解决方案帮助客户将模型落地为稳定可靠的生产系统。作为长期在企业一线与高校实验室之间穿梭的研究者我经常被问到同一个问题为什么强大的大模型LLM在演示时惊艳四座一放进生产环境就变得难以驾驭点击文末“阅读原文”获取完整智能体、代码、数据、文档?成本、延迟、随机性——这些“最后一公里”的障碍让许多AI项目止步于概念验证。我们在为一个客户设计智能理赔助手时也撞上了这堵墙。当时我们尝试用单一模型处理所有案件结果不仅API账单飙升客户投诉率也居高不下。正是这次痛苦的经历催生了对“Harness Engineering”的系统性探索。本文内容改编自过往客户咨询项目的技术沉淀并且已通过实际业务校验该项目完整代码与数据已分享至交流社群。阅读原文进群获取完整代码数据及更多最新AI见解和行业洞察可与900行业人士交流成长还提供人工答疑拆解核心原理、代码逻辑与业务适配思路帮大家既懂怎么做也懂为什么这么做遇代码运行问题更能享24小时调试支持。我们将从“给模型套上缰绳”的理念出发先介绍如何用LangChain的DeepAgents构建一个编码智能体并通过HumanEval基准和Pass1/Passk指标量化它的可靠性接着引入Claude Flow——一个让多个智能体像交响乐团般协作的编排框架并展示两个真实场景全栈应用自动生成与多源研究报告撰写。下图概括了全文的技术路径┌─────────────────────────────────┐ │ AI系统可靠性挑战 │ │ 大模型输出不稳定、成本高 │ └───────────────┬─────────────────┘ │ ▼ ┌─────────────────────────────────┐ │ Harness Engineering方法论 │ │ 系统提示词、工具、中间件 │ └───────────────┬─────────────────┘ │ ▼ ┌─────────────────────────────────┐ │ 基于LangChain DeepAgents的 │ │ 编码智能体构建 │ │ 任务规划、虚拟文件系统 │ └───────────────┬─────────────────┘ │ ▼ ┌─────────────────────────────────┐ │ HumanEval基准评估 │ │ Pass1、Passk、延迟、成本追踪 │ │ 集成LangSmith │ └───────────────┬─────────────────┘ │ ▼ ┌─────────────────────────────────┐ │ 复杂任务 → 多智能体协作 │ │ Claude Flow框架 │ │ 女王/工人模型MCP工具 │ └───────────────┬─────────────────┘ │ ▼ ┌─────────────────────────────────┐ │ 应用案例 │ │ 1. 全栈应用自动生成 │ │ 2. 多源研究报告生成 │ └─────────────────────────────────┘Harness Engineering给AI套上“缰绳”Harness Engineering的核心思想并非更换模型而是在模型周围构建一个结构化的控制系统——包括系统提示词、工具/API、测试环境和中间件——从而引导模型输出提升任务成功率并控制成本。这就像给一匹烈马套上缰绳不改变它的奔跑能力但让它按骑手的方向前进。本文使用LangChain的DeepAgents库来实现这一理念。DeepAgents内置了任务规划、内存虚拟文件系统、子智能体生成等能力天然适合作为Harness的载体。阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。评估指标Pass1与Passk我们选用HumanEval基准——包含164个手写Python编程问题用于评估代码生成的正确性。主要关注两个指标Pass1首次通过率模型一次尝试解决问题的百分比。这是生产系统最关心的指标代表用户体验。Passk多轮通过率模型生成k个样本中至少有一个正确的概率用于衡量模型的探索能力。构建第一个编码智能体准备API密钥登录LangSmith控制台点击“Setup Observability”生成API密钥并保存。获取OpenAI API密钥本文使用gpt-5-mini模型作为智能体的“大脑”。阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。环境安装# 克隆HumanEval评测库并安装移除自动执行脚本避免误运行 !git clone https://github.com/openai/human-eval.git !sed -i /evaluate_functional_correctness/d human-eval/setup.py !pip install -qU ./human-eval deepagents langchain-openai阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。初始化环境变量import os from google.colab import userdata # 配置LangSmith追踪 os.environ[LANGCHAIN_TRACING_V2] true os.environ[LANGSMITH_API_KEY] userdata.get(LANGSMITH_API_KEY) os.environ[LANGSMITH_PROJECT] DeepAgentProject os.environ[OPENAI_API_KEY] userdata.get(OPENAI_API_KEY)阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。定义并推送提示词模板我们将三个不同风格的提示词模板存储到LangSmith方便后续迭代管理。阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。推送成功后可以在LangSmith控制台的Prompts板块看到它们阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。创建第一个智能体使用v1提示词from deepagents import create_deep_agent from langchain.chat_models import init_chat_model SELECTED_PROMPT coding-agent-v1 pulled_prompt ls_client.pull_prompt(SELECTED_PROMPT) system_message pulled_prompt.messages[0].prompt.template # 初始化语言模型 llm_model init_chat_model(openai:gpt-5-mini) # 构建DeepAgent coding_agent create_deep_agent( modelllm_model, system_promptsystem_message, ) print(智能体已就绪)阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。加载HumanEval测试集阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。生成代码与后处理定义一个函数从智能体输出中提取纯函数代码。阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。输出示例阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。运行小规模评估5个问题阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。统计通过率与平均延迟passed_count sum(r[passed] for r in evaluation_results) pass_rate passed_count / len(evaluation_results) avg_latency sum(r[latency_sec] for r in evaluation_results) / len(evaluation_results)输出示例阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。打开LangSmith的Tracing页面可以看到每次调用的token消耗和费用阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。定义第二个智能体v3提示词中间件为了提升可靠性我们引入“思维链”提示词并添加一个中间件限制模型调用次数防止陷入无限循环。阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。再次评估新智能体new_results [] for task in task_id_list[:SAMPLE_SIZE]: prob all_problems[task] t0 time.time() code generate_with_new_agent(prob) latency time.time() - t0 outcome check_correctness(prob, code, timeoutTIMEOUT_SEC) new_results.append({ task_id: task, passed: outcome[passe阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。结果示例阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。从初步结果看v3提示词虽然通过率略高4/5但并非绝对更优需要大规模测试才能判断稳定性。而中间件的引入控制了调用次数避免了部分失败场景的无限重试。这正体现了Harness Engineering的思想通过系统级的约束而非仅靠提示词来提升整体可靠性。相关文章DeepSeek、LangGraph和Python融合LSTM、RF、XGBoost、LR多模型预测NFLX股票涨跌|附完整代码数据原文链接https://tecdat.cn/?p44060从单智能体到多智能体协作Claude Flow当任务复杂度超出单个智能体的能力范围时我们需要一个多智能体编排框架。Claude Flow正是为此而生——它是一个开源框架允许多个Claude智能体通过共享内存、分工协作完成复杂任务其核心是“女王/工人”模型一个协调者女王将任务拆解分配给多个专门化的工人智能体最终汇总成果。阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。工作原理当你提交任务时协调智能体将其分解为子任务分配给不同的专家智能体如研究员、编码员、分析师。这些智能体可并行或串行工作结果存入共享内存。协调者监控进度、解决冲突并合成最终输出。它还支持通过MCP模型上下文协议调用外部工具甚至创建新的子智能体。阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。安装与配置确保Node.js ≥ v18并全局安装Claude Code和Claude Flownpm install -g anthropic-ai/claude-code npm install -g claude-flowalpha验证安装claude-flow --version # 应输出类似 ruflo v3.5.14在项目目录初始化mkdir task-app cd task-app npx claude-flowalpha init --force初始化截图阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。启动后台服务claude-flow init --start-all启动成功的界面阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。任务一全栈应用自动生成我们让Claude Flow生成一个任务管理Web应用React前端 Express后端 SQLite数据库 JWT认证。注意必须用引号包裹提示词通过claude命令提交给智能体集群。提交任务界面阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。系统会自动生成前端、后端、数据库、认证等智能体并行工作几分钟后即可输出完整的项目代码和README。开发者原本需要数周的工作被压缩到几分钟。任务二多源研究报告生成假设我们需要一份对比AI编排框架Claude Flow、LangChain、AutoGen、CrewAI的竞争分析报告。先确保MCP搜索工具已启用claude-flow daemon start claude-flow swarm init初始化成功截图阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。提交研究任务提交后截图阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。多个研究智能体会并行搜索文档、阅读代码库最后由合成智能体整合成一份结构清晰的报告。传统上需要数小时的工作在Claude Flow中仅需数分钟。优缺点对比维度优势劣势性能多智能体并行大幅缩短任务完成时间增加API调用次数可能推高成本输出质量专家智能体专注特定领域结果更精准LLM的非确定性可能导致输出结果波动可扩展性可通过增加智能体轻松扩展至企业级工作流大型集群需精细调优以平衡成本与性能灵活性支持自定义智能体角色、工具和拓扑初始配置和编排复杂度较高系统设计任务分解减轻单模型上下文负担问题可能跨多个智能体调试难度增加生态内置内存持久化、工具调用、错误处理等生产级特性依赖Claude Code与其他LLM提供商的兼容性有限结论Harness Engineering与多智能体编排共同构成了构建可靠AI系统的双引擎。前者通过对模型输入输出的系统性控制提升了单一智能体的稳定性和可观测性后者则通过分工协作突破了单智能体的能力天花板。本文通过编码智能体的构建与评估展示了Harness Engineering的实际操作通过Claude Flow的两个应用案例展示了多智能体协作的威力。未来随着框架的成熟我们有望像搭建乐高一样快速组合出适应各种复杂场景的智能体集群。阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。常见问题Q1: 什么是中间件middlewareA: 中间件是位于模型调用前后的软件层用于扩展智能体能力、控制调用次数、处理错误等是实现Harness Engineering的关键组件。Q2: LangSmith有替代品吗A: 有例如Langfuse、Arize Phoenix等都提供LLM追踪与监控能力。Q3: 评估编码智能体的行业标准基准有哪些A: 除HumanEval外SWE-bench、BigCodeBench等也是常用的真实场景代码生成基准。Q4: Claude Flow支持哪些模型A: 当前主要支持Claude系列模型Sonnet、Opus未来可能扩展至其他提供商的模型。本文中分析的完整智能体、数据、代码、文档分享到会员群扫描下面二维码即可加群资料获取在公众号后台回复“领资料”可免费获取数据分析、机器学习、深度学习等学习资料。点击文末“阅读原文”获取完整智能体、代码、数据和文档。
LangChain DeepAgents与Claude Flow的多智能体编码系统可靠性评估 | 附代码教程
全文链接https://tecdat.cn/?p45264原文出处拓端数据部落公众号关于分析师在此对Shawn Li对本文所作的贡献表示诚挚感谢他在上海交通大学完成了计算机科学与技术专业的硕士学位专注人工智能与软件工程交叉领域。擅长Python、LangChain、智能体系统开发、数据爬虫、优化算法曾为多家金融科技企业构建AI自动化解决方案帮助客户将模型落地为稳定可靠的生产系统。作为长期在企业一线与高校实验室之间穿梭的研究者我经常被问到同一个问题为什么强大的大模型LLM在演示时惊艳四座一放进生产环境就变得难以驾驭点击文末“阅读原文”获取完整智能体、代码、数据、文档?成本、延迟、随机性——这些“最后一公里”的障碍让许多AI项目止步于概念验证。我们在为一个客户设计智能理赔助手时也撞上了这堵墙。当时我们尝试用单一模型处理所有案件结果不仅API账单飙升客户投诉率也居高不下。正是这次痛苦的经历催生了对“Harness Engineering”的系统性探索。本文内容改编自过往客户咨询项目的技术沉淀并且已通过实际业务校验该项目完整代码与数据已分享至交流社群。阅读原文进群获取完整代码数据及更多最新AI见解和行业洞察可与900行业人士交流成长还提供人工答疑拆解核心原理、代码逻辑与业务适配思路帮大家既懂怎么做也懂为什么这么做遇代码运行问题更能享24小时调试支持。我们将从“给模型套上缰绳”的理念出发先介绍如何用LangChain的DeepAgents构建一个编码智能体并通过HumanEval基准和Pass1/Passk指标量化它的可靠性接着引入Claude Flow——一个让多个智能体像交响乐团般协作的编排框架并展示两个真实场景全栈应用自动生成与多源研究报告撰写。下图概括了全文的技术路径┌─────────────────────────────────┐ │ AI系统可靠性挑战 │ │ 大模型输出不稳定、成本高 │ └───────────────┬─────────────────┘ │ ▼ ┌─────────────────────────────────┐ │ Harness Engineering方法论 │ │ 系统提示词、工具、中间件 │ └───────────────┬─────────────────┘ │ ▼ ┌─────────────────────────────────┐ │ 基于LangChain DeepAgents的 │ │ 编码智能体构建 │ │ 任务规划、虚拟文件系统 │ └───────────────┬─────────────────┘ │ ▼ ┌─────────────────────────────────┐ │ HumanEval基准评估 │ │ Pass1、Passk、延迟、成本追踪 │ │ 集成LangSmith │ └───────────────┬─────────────────┘ │ ▼ ┌─────────────────────────────────┐ │ 复杂任务 → 多智能体协作 │ │ Claude Flow框架 │ │ 女王/工人模型MCP工具 │ └───────────────┬─────────────────┘ │ ▼ ┌─────────────────────────────────┐ │ 应用案例 │ │ 1. 全栈应用自动生成 │ │ 2. 多源研究报告生成 │ └─────────────────────────────────┘Harness Engineering给AI套上“缰绳”Harness Engineering的核心思想并非更换模型而是在模型周围构建一个结构化的控制系统——包括系统提示词、工具/API、测试环境和中间件——从而引导模型输出提升任务成功率并控制成本。这就像给一匹烈马套上缰绳不改变它的奔跑能力但让它按骑手的方向前进。本文使用LangChain的DeepAgents库来实现这一理念。DeepAgents内置了任务规划、内存虚拟文件系统、子智能体生成等能力天然适合作为Harness的载体。阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。评估指标Pass1与Passk我们选用HumanEval基准——包含164个手写Python编程问题用于评估代码生成的正确性。主要关注两个指标Pass1首次通过率模型一次尝试解决问题的百分比。这是生产系统最关心的指标代表用户体验。Passk多轮通过率模型生成k个样本中至少有一个正确的概率用于衡量模型的探索能力。构建第一个编码智能体准备API密钥登录LangSmith控制台点击“Setup Observability”生成API密钥并保存。获取OpenAI API密钥本文使用gpt-5-mini模型作为智能体的“大脑”。阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。环境安装# 克隆HumanEval评测库并安装移除自动执行脚本避免误运行 !git clone https://github.com/openai/human-eval.git !sed -i /evaluate_functional_correctness/d human-eval/setup.py !pip install -qU ./human-eval deepagents langchain-openai阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。初始化环境变量import os from google.colab import userdata # 配置LangSmith追踪 os.environ[LANGCHAIN_TRACING_V2] true os.environ[LANGSMITH_API_KEY] userdata.get(LANGSMITH_API_KEY) os.environ[LANGSMITH_PROJECT] DeepAgentProject os.environ[OPENAI_API_KEY] userdata.get(OPENAI_API_KEY)阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。定义并推送提示词模板我们将三个不同风格的提示词模板存储到LangSmith方便后续迭代管理。阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。推送成功后可以在LangSmith控制台的Prompts板块看到它们阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。创建第一个智能体使用v1提示词from deepagents import create_deep_agent from langchain.chat_models import init_chat_model SELECTED_PROMPT coding-agent-v1 pulled_prompt ls_client.pull_prompt(SELECTED_PROMPT) system_message pulled_prompt.messages[0].prompt.template # 初始化语言模型 llm_model init_chat_model(openai:gpt-5-mini) # 构建DeepAgent coding_agent create_deep_agent( modelllm_model, system_promptsystem_message, ) print(智能体已就绪)阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。加载HumanEval测试集阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。生成代码与后处理定义一个函数从智能体输出中提取纯函数代码。阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。输出示例阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。运行小规模评估5个问题阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。统计通过率与平均延迟passed_count sum(r[passed] for r in evaluation_results) pass_rate passed_count / len(evaluation_results) avg_latency sum(r[latency_sec] for r in evaluation_results) / len(evaluation_results)输出示例阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。打开LangSmith的Tracing页面可以看到每次调用的token消耗和费用阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。定义第二个智能体v3提示词中间件为了提升可靠性我们引入“思维链”提示词并添加一个中间件限制模型调用次数防止陷入无限循环。阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。再次评估新智能体new_results [] for task in task_id_list[:SAMPLE_SIZE]: prob all_problems[task] t0 time.time() code generate_with_new_agent(prob) latency time.time() - t0 outcome check_correctness(prob, code, timeoutTIMEOUT_SEC) new_results.append({ task_id: task, passed: outcome[passe阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。结果示例阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。从初步结果看v3提示词虽然通过率略高4/5但并非绝对更优需要大规模测试才能判断稳定性。而中间件的引入控制了调用次数避免了部分失败场景的无限重试。这正体现了Harness Engineering的思想通过系统级的约束而非仅靠提示词来提升整体可靠性。相关文章DeepSeek、LangGraph和Python融合LSTM、RF、XGBoost、LR多模型预测NFLX股票涨跌|附完整代码数据原文链接https://tecdat.cn/?p44060从单智能体到多智能体协作Claude Flow当任务复杂度超出单个智能体的能力范围时我们需要一个多智能体编排框架。Claude Flow正是为此而生——它是一个开源框架允许多个Claude智能体通过共享内存、分工协作完成复杂任务其核心是“女王/工人”模型一个协调者女王将任务拆解分配给多个专门化的工人智能体最终汇总成果。阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。工作原理当你提交任务时协调智能体将其分解为子任务分配给不同的专家智能体如研究员、编码员、分析师。这些智能体可并行或串行工作结果存入共享内存。协调者监控进度、解决冲突并合成最终输出。它还支持通过MCP模型上下文协议调用外部工具甚至创建新的子智能体。阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。安装与配置确保Node.js ≥ v18并全局安装Claude Code和Claude Flownpm install -g anthropic-ai/claude-code npm install -g claude-flowalpha验证安装claude-flow --version # 应输出类似 ruflo v3.5.14在项目目录初始化mkdir task-app cd task-app npx claude-flowalpha init --force初始化截图阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。启动后台服务claude-flow init --start-all启动成功的界面阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。任务一全栈应用自动生成我们让Claude Flow生成一个任务管理Web应用React前端 Express后端 SQLite数据库 JWT认证。注意必须用引号包裹提示词通过claude命令提交给智能体集群。提交任务界面阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。系统会自动生成前端、后端、数据库、认证等智能体并行工作几分钟后即可输出完整的项目代码和README。开发者原本需要数周的工作被压缩到几分钟。任务二多源研究报告生成假设我们需要一份对比AI编排框架Claude Flow、LangChain、AutoGen、CrewAI的竞争分析报告。先确保MCP搜索工具已启用claude-flow daemon start claude-flow swarm init初始化成功截图阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。提交研究任务提交后截图阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。多个研究智能体会并行搜索文档、阅读代码库最后由合成智能体整合成一份结构清晰的报告。传统上需要数小时的工作在Claude Flow中仅需数分钟。优缺点对比维度优势劣势性能多智能体并行大幅缩短任务完成时间增加API调用次数可能推高成本输出质量专家智能体专注特定领域结果更精准LLM的非确定性可能导致输出结果波动可扩展性可通过增加智能体轻松扩展至企业级工作流大型集群需精细调优以平衡成本与性能灵活性支持自定义智能体角色、工具和拓扑初始配置和编排复杂度较高系统设计任务分解减轻单模型上下文负担问题可能跨多个智能体调试难度增加生态内置内存持久化、工具调用、错误处理等生产级特性依赖Claude Code与其他LLM提供商的兼容性有限结论Harness Engineering与多智能体编排共同构成了构建可靠AI系统的双引擎。前者通过对模型输入输出的系统性控制提升了单一智能体的稳定性和可观测性后者则通过分工协作突破了单智能体的能力天花板。本文通过编码智能体的构建与评估展示了Harness Engineering的实际操作通过Claude Flow的两个应用案例展示了多智能体协作的威力。未来随着框架的成熟我们有望像搭建乐高一样快速组合出适应各种复杂场景的智能体集群。阅读原文进群获取完整内容及更多AI见解、行业洞察与900行业人士交流成长。常见问题Q1: 什么是中间件middlewareA: 中间件是位于模型调用前后的软件层用于扩展智能体能力、控制调用次数、处理错误等是实现Harness Engineering的关键组件。Q2: LangSmith有替代品吗A: 有例如Langfuse、Arize Phoenix等都提供LLM追踪与监控能力。Q3: 评估编码智能体的行业标准基准有哪些A: 除HumanEval外SWE-bench、BigCodeBench等也是常用的真实场景代码生成基准。Q4: Claude Flow支持哪些模型A: 当前主要支持Claude系列模型Sonnet、Opus未来可能扩展至其他提供商的模型。本文中分析的完整智能体、数据、代码、文档分享到会员群扫描下面二维码即可加群资料获取在公众号后台回复“领资料”可免费获取数据分析、机器学习、深度学习等学习资料。点击文末“阅读原文”获取完整智能体、代码、数据和文档。
