腾讯云黑客松智能渗透挑战赛决赛答辩-Antix

总结

PART 01: Agent工程的现状与思考

• AntixAgent架构图：介绍了AntixAgent的架构，包括多智能体协同、Plan-and-Execute任务分解规划、ReAct反思循环、RAG知识库、大量工具集成和长短期Memory等设计。
• Agent工程的现状与思考：指出当前Agent工程存在的问题，如设计复杂、抽象过多、耦合度高、不够灵活等。
• 开源框架现状：分析了开源Agent框架如langgraph、CrewAI、autogen、parlant等，但发现生产级应用不多，且ClaudeCode等顶级通用Agent效果远好于langgraph实现的DAG。
• AI工程的技术路线：提出除了Agent工程，AI工程还有其他技术路线，并探讨了Meta-Tooling工具调用模式的优势。

PART 02: Antix系统架构

• Antix系统架构：介绍了Antix系统的架构，包括Agent可以接入任意支持MCP的通用Agent（如Claude code、CodeX等）。
• Antix沙盒：描述了Antix沙盒基于Ubuntu docker构建的渗透测试环境，预装了sqlmap、CAIDO等安全工具，并设计了AI友好的操作模式。
• Python Executor和MCP：解释了Python Executor作为Meta-Tooling核心实现的机制，以及其会话持久化的功能。
• Antix Agent：强调Antix Agent的零调优即实战能力，参赛版本主力Agent基于Claude Code封装，只需简单提示词即可实现泛化。

PART 03: Intent Is ALL You Need (for agent)

• 意图工程：将意图工程分为意图的理解、意图的表达和意图的执行三个组成部分，并指出其发展经历了面向模型、面向Agent和面向意图三个阶段。
• 开源代表：提到了github的speckit和蚂蚁的HOP作为意图工程的开源代表。
• Meta-Tooling设计模式：将Meta-Tooling设计模式视为意图工程的补充部分，使AI更高效地执行意图。
• 未来的AI工程形态：总结了关于AI工程的共识，包括通用Agent的崛起和AI工程需要解决的可编程、可执行、可调试、可沉淀四大问题。
• 真正的技术壁垒：指出AI工程的技术壁垒不在agent框架，而在经验、数据、Infra（垂类基础设施）。
• AI Native Programming Language：提出了未来会出现AI Native Programming Language（ANPL）和AI Native Executable Program的设想，并希望在今年拿出第一个开源ANPL demo。