MARC v1：面向临床AI推理与协调的开源多智能体框架
🧭 多智能体协作推理与自动提示生成
College of Engineering, University of California, Davis · Perelman School of Medicine, University of Pennsylvania · School of Engineering and Applied Science, University of Pennsylvania · College of Computing and Informatics, Drexel University · UC Davis Graduate School of Management, Davis, CA
开源多智能体框架MARC，用确定性角色编排替代单体LLM提示，实现可追踪的临床推理与自动提示生成
📌 工作参考价值（4 点）
- 角色化多智能体流水线：将复杂推理任务拆解为提取、推理、生成、评估四个阶段，每个阶段独立Agent，便于错误定位和迭代。电商搜索/推荐中的query解析、意图理解、商品属性抽取、客服文案生成等长链路任务可直接套用这种确定性编排。
- Decomposer模块：用自然语言任务描述自动生成各Agent的prompt，大幅降低prompt工程成本，适合业务快速扩展新场景或调整流程。
- YAML配置+模型无关+本地CPU部署：架构上将流程与模型解耦，支持灵活切换底层LLM（API或本地模型），减少代码改动，便于算法团队快速实验和部署。
- 显式上下文传递与可追踪中间输出：多步骤生成任务（如推荐理由、广告创意）中，中间输出可审计、可归因，有利于线上效果分析和调试。
Archi：面向 CMS 实验的智能代理操作框架
🧭 Agent 系统 · 科学数据协作
Massachusetts Institute of Technology · CMS Collaboration, CERN · University of Wisconsin-Madison · Fermi National Accelerator Laboratory · Brown University
开源端到端框架 Archi 将异构数据源与可配置私有代理结合，在 CERN CMS 实验中为技术操作提供检索分析支持，证明开源模型在私有部署下效果优秀。
📌 工作参考价值（4 点）
- 异构数据源的统一 RAG 范式：将文档、历史数据、实时监控系统等多种来源系统化摄入和组织，可迁移到电商场景，例如整合商品描述、用户行为日志、客服对话与实时库存数据，构建统一的知识问答或运维 Agent。
- 私有化部署开源模型的可行性：实验证明本地部署的 open-weight 模型在专业领域问答中能与商业模型竞争，对注重数据隐私的电商企业（如用户行为分析、内部运维排障）提供了低成本、高可控的 Agent 方案。
- 可扩展的 Agent 架构设计：框架支持配置和扩展不同的 agent 与数据源，可应用于电商中需要动态接入多个推荐模型、召回源或业务数据流的 Agent 场景，实现模块化扩展。
- 真实生产环境下的评估方法：基于实际 operator 的问题集和人工+自动评估，为电商 Agent 系统提供了从开发到上线后持续优化的评估流程参考。