2025 年是 AI Agent 的元年，我们团队历时 3 个多月，现正式开源Multi-Agent AI 框架，欢迎各位园友前往 GitHub Fork、Star 或提交 PR，共同打造 aevatar.ai 生态。
Github地址：
aevatar 核心框架: https://github.com/aevatarAI/aevatar-framework
aevatar平台: https://github.com/aevatarAI/aevatar-station
aevatar 案例: https://github.com/aevatarAI/aevatar-gagents
aevatar平台: https://github.com/aevatarAI/aevatar-station
aevatar 案例: https://github.com/aevatarAI/aevatar-gagents
aevatar.ai，一个统一的多智能体平台，旨在解决跨领域和多样化工作负载下开发、部署和管理多种AI智能体的复杂性。通过基于插件的方法和灵活的部署策略——从基于DLL的加载到容器化和分布式执行框架——aevatar.ai允许用户和开发者在一个统一的生态系统中无缝集成专业化的AI解决方案。
关键组件包括：aevatar框架，定义了标准化的智能体接口和生命周期管理；aevatar Station，一个集中化的门户和市场，用于智能体发现、插件处理、请求路由和用户访问控制；以及aevatar Agents，一个包含官方和社区开发的AI模块的仓库，支持多种任务，如自然语言理解、计算机视觉和推荐系统。通过集中化智能体交互和事件流，aevatar.ai减少了集成开销，强制执行一致的安全策略，并提供强大的监控和日志功能以提高可靠性。
通过其开源、模块化的架构，aevatar.ai既适用于小规模使用，也支持大规模企业部署，具备高并发、自动扩展、智能体重用、沙箱化和审计追踪等功能。这些创新促进了一个可持续的AI生态系统，使组织能够快速采用和发展先进的AI能力，同时让开发者专注于创建强大、专业化的智能体，而无需担心基础设施和生命周期管理的复杂性。
-
引言 (Introduction)
随着人工智能（AI）技术的快速发展，大型语言模型（LLMs）和智能体的应用已从单一问答交互演变为更高级的能力，如多智能体协作、跨模型合作和复杂业务流程编排。
然而，目前市场上的AI系统普遍面临平台隔离、模型限制、部署复杂和缺乏可观测性等问题，难以满足企业用户对高效、灵活和安全AI协作的需求。
aevatar.ai作为下一代多AI智能体框架的先行者，旨在构建一个跨平台、跨模型的AI智能体生态系统。通过开放的架构、强大的可视化编排能力和云原生部署方式，它赋能开发者和业务用户在一个系统中统一管理、调度和协调多个智能体，实现“多场景、多模型、多角色”的高效协作。
通过aevatar.ai，我们致力于提供一个灵活、可扩展且符合安全要求的AI解决方案，以推动AI技术的广泛应用和落地。
-
背景与挑战 (Background & Challenges)
2.1 AI智能体系统隔离
目前，许多AI智能体被隔离在各自的平台中，缺乏统一的通信协议和互操作性。这使得系统之间难以共享数据或协同工作，限制了AI系统的整体效能，尤其是在需要跨平台协作的场景中。
2.2 单一LLM的局限性
大多数AI智能体依赖于单一的语言模型（如GPT-4或Llama2）。这带来了集中风险；在面对复杂的多步骤任务或多语言场景时，性能可能会受到影响。
单一LLM模型的局限性使得系统无法灵活切换或并行使用多个模型，从而限制了其应用范围和性能。
2.3 检索增强生成（RAG）精度不足
大多数AI智能体使用检索增强生成从专业知识库中检索信息，但由于信息或文档可能不相关、过时或质量低下，难以实现完美的知识库优化和准确性。
2.4 缺乏事件追踪与可观测性
现有的AI系统通常缺乏对AI智能体内部状态和历史交互的源头管理。当系统故障或推理异常发生时，难以定位问题并重放事件，增加了维护复杂性和风险。
2.5 高部署与协作成本
传统的AI系统通常需要复杂的安装、配置和维护过程。缺乏用户友好的工作流编排工具，尤其是在多智能体协作场景中，导致开发和维护成本较高。
-
总体目标与愿景 (Vision & Goals)
3.1 核心：aevatar框架
aevatar框架是aevatar.ai的核心，负责处理基本处理逻辑、智能体交互和核心组件。
Orleans“Grains”作为智能体
- Orleans使用“grains”（轻量级、隔离的微对象）来表示参与者或“智能体”。
- 一组silos（Orleans中的运行时主机）协调这些grains，使其可以分布在多台服务器上并进行扩展。
- 在此架构中，每个grain实际上是一个智能体（通常称为“GAgent”）。
多智能体
- 图中展示了多层智能体分组。例如，一个“发布GAgent”协调多个“组成员GAgent”实例。
- 事件处理器管理异步触发器或状态变化，使智能体能够实时响应来自其他智能体的数据或更新。
AI集成
- Semantic Kernel提供高级AI编排和提示链功能。
通过结合以上所有内容，系统可以扩展大量AI智能体，每个智能体执行专门任务，同时通过分组或子组协调它们以实现更复杂的协作目标。
3.2 顶层：aevatar应用
- 市场：一个集中化的平台，用户可以发现、开发、管理和部署各种AI智能体。
- 智能体：执行特定任务或功能的独立AI智能体。这些智能体可以独立开发和部署。
- Webhook：aevatar可以无缝编排大量外部输入，将现实世界的触发器转换为结构化事件，供G-agent处理，从而实现与各种外部系统的持续、实时交互。
示例智能体：
- Twitter智能体：监控推文、发布更新或与Twitter互动。
- Telegram智能体：与Telegram进行聊天交互。
- 编程智能体：帮助生成或审查代码。
- 营销智能体：执行营销任务，如活动管理。
- 运营智能体：处理运营任务。
- aelf智能体等。
这些是基于底层多智能体框架构建的面向终端用户的“产品”。每个智能体都可以具有专门的逻辑，连接外部API，并利用aevatar核心引擎。
3.3 环境（Web 2 / Web 3）
这表示aevatar智能体运行的更广泛环境——既包括传统的Web 2.0环境（如REST API、SaaS服务），也包括Web 3.0环境（如区块链或去中心化服务）。该框架旨在无缝融入这些生态系统。
3.4 LLM集成
在图的右侧，您可以看到主要的LLM（大型语言模型）提供商：
- OpenAI / ChatGPT
- Anthropic
- Meta
- Azure OpenAI
- Deepseek
- 以及其他更多…
这些LLM通过Semantic Kernel连接器集成，使每个智能体都能利用自然语言理解、生成和高级推理功能。
3.5 数据与消息层
在框架之上，核心数据与消息技术包括：
- Kafka：实时消息传递和事件流。
- MongoDB：基于文档的通用数据存储。
- Elasticsearch：大规模全文搜索和分析。
- Redis：用于缓存和高速访问的内存数据存储。
- Qdrant：专用向量存储。
这些技术支持高吞吐量的数据摄取、搜索、缓存和状态管理，对于大规模智能体交互至关重要。
3.6 部署与DevSecOps
用于构建、部署和管理aevatar框架的DevSecOps工具包括：
- Kubernetes + Docker：跨集群的容器化和编排。
- GitHub Actions, GitOps, Argo：CI/CD管道和“GitOps”风格的部署，用于自动化、版本化发布。
- “DevSecOps”循环突出了以安全为中心的持续集成/持续部署实践。
3.7 多云与安全
最后，支持多云策略，涵盖：
- GCP、AWS、Azure：支持的云服务提供商。
- 额外的安全和可观测性工具，如Grafana（监控仪表板）、Vault（密钥管理）、Elasticsearch/Fluentd/Kibana（EFK日志和分析堆栈）等。
这确保了平台可以在不同云基础设施上以安全、容错和成本高效的方式运行。
3.8 整体架构
- 每个aevatar应用（如Twitter智能体或编程智能体）都是一个Orleans“grain”（或一组grains），封装了专门的逻辑。
- 多智能体或“分组”方法协调大量grains，使它们能够通过Kafka、Redis或直接Orleans消息传递相互传递事件/消息。
- Semantic Kernel帮助编排更高级的AI推理、提示链和记忆/知识。
- 整个设置打包用于云部署（Kubernetes + Docker），并与日志、安全和监控解决方案（Grafana、Vault、EFK）集成。
- 这种组合提供了一个可扩展、容错且高度可扩展的平台，用于在多个领域（Web 2和Web 3）、多个云上运行AI智能体，同时具备强大的安全性和可观测性。
简而言之，aevatar.ai是一个全栈、云原生的多智能体编排框架，利用Orleans实现基于参与者的扩展，集成Semantic Kernel以提供AI功能，并采用全面的DevSecOps管道和多云部署策略。
3.9 解决上述挑战
-
多智能体协作
GAgent: 基于grain的智能体
通过分布式参与者模型（基于Orleans）和多智能体管理机制，aevatar.ai实现了多个AI智能体之间的高效互联和复杂事件调度，支持跨平台和跨场景的协作工作流。
aevatar.ai实现了多智能体框架，将AI智能体划分为不同的功能角色。它为多个智能体分配特定职责并将其分组，以在系统中完成用户分配的任务。
-
统一的跨模型协作
aevatar.ai 提供了一个多语言模型并行智能体框架。这克服了单一模型的局限性，支持在不同任务中自由切换或并行使用多个模型，从而提升系统灵活性和性能。
-
多智能体RAG架构
在多智能体RAG架构下，每个AI智能体代表一个基于特定知识库、检索策略和生成配置的定制化RAG；这在整个系统中最擅长的领域提供答案。 通过编排器，用户问题被分配给适当的智能体。或者，也可以并行调用多个智能体，并通过信息整合模块合并答案。这实现了更专业、全面和可扩展的问答或信息生成系统。
多智能体RAG模型支持：
- 灵活扩展：基于不同业务线或知识领域快速部署新智能体。
- 降噪：利用领域特定知识库减少无关信息干扰。
- 增强可信度：多个智能体之间的交叉验证。
- 可持续性：独立维护每个智能体的知识库，便于分而治之。
这使得能够构建一个能够持续生成高质量内容的多智能体RAG平台。
-
可视化与易用性
aevatar.ai仪表板提供了低代码/无代码的可视化编排工具，帮助用户轻松设计和监控复杂的工作流。这是降低技术门槛的重要一步，使几乎任何人都能快速上手创建和个性化AI智能体。
-
安全性与可扩展性
基于云原生的DevSecOps和微服务架构，aevatar.ai提供了弹性扩展和高并发处理能力，同时确保系统安全性和合规性，满足企业级用户需求。
-
架构
aevatar.ai 由三个主要组件组成：aevatar框架、aevatar Station和aevatar Agents。它们协同工作，管理多个AI智能体的整个生命周期——从创建到部署再到持续运营
-
aevatar框架
aevatar框架旨在支持AI智能体和事件溯源机制，提供模块化架构以实现可扩展性和可维护性。它利用依赖注入和观察者模式等设计模式来增强灵活性和可扩展性。
设计原则
- 模块化：框架设计为模块化，允许开发者根据需要添加或移除组件。
- 可扩展性：新功能可以通过插件添加，而无需修改核心框架。
- 关注点分离：每个组件都有特定的职责，提升可维护性和可读性。
该框架为开发AI智能体和事件溯源应用提供了灵活的架构，通过其模块化设计实现轻松集成和扩展。通过遵循设计原则和模式，框架确保在添加新功能时仍能保持可扩展性和可维护性。
-
核心组件概述
参与者模型（Actor Model）
- 负责管理分布式参与者（Grain）的生命周期和通信，为每个智能体提供有状态且可重放的执行环境，确保系统的高并发性和可扩展性。
GAgent
- 每个子模块（如Telegram、Twitter、MicroAI、SocialAgent等）都是一个独立的GAgent，针对不同平台或场景实现特定的智能体逻辑，支持跨平台扩展。
事件溯源（Event Sourcing）
- 提供日志存储、事件重放和快照管理的核心功能。支持多种后端存储选项（如MongoDB和Redis），并确保系统的可追溯性和审计能力。
- 所有关键的智能体事件（如接收的消息、状态更新、模型推理输出）都可以持久化，提供重放和审计能力。
CQRS（命令查询职责分离）
- 对外提供REST/gRPC接口，并通过读写分离架构支持高效的内部数据查询和索引。结合Elasticsearch等解决方案，实现大规模数据的快速检索。
- 读写分离：系统可以独立处理智能体状态变更的写请求（事件）和外部查询接口。
- 结合Elasticsearch/MongoDB实现快速检索和多维度查询。
aevatar仪表板
- 图形化管理工具，允许用户通过低代码/无代码方式配置多智能体协作流程、监控事件流并编辑业务逻辑。这显著降低了开发门槛，尤其对非技术用户友好。
-
GAgent多智能体协作模型
- 采用
GAgentBase<TState, TEvent>作为抽象基类，智能体可以继承并实现自己的业务处理方法。
- GAgent：管理组内多个智能体的订阅、消息路由和事件协调，支持组内广播、点对点或基于树的事件传输。
-
多大型语言模型（LLM）编排
- 多管齐下：aevatar.ai通过
AIService和AutoGen机制集成对多个LLM（如GPT-4、Claude、Llama2等）的访问。 - 调度策略：根据任务类型、资源成本、复杂性等维度动态决定调用哪些模型。
- 模型适配层：在框架层面支持连接更多第三方或私有模型，为企业提供定制化的多语言模型管理。
-
云原生部署与安全合规
Kubernetes部署
- Orleans Silo和智能体服务可以容器化，支持自动扩展（HPA）、服务发现和弹性负载均衡。
DevSecOps & GitOps
- 提供容器镜像安全扫描、CI/CD集成和基础设施即代码（IaC）部署，确保应用安全性和可追溯性。
安全策略
- 通过AuthServer和OAuth/OpenID系统进行身份验证，支持多租户和基于角色的访问控制（RBAC）。
-
技术细节
整体流程：
- 用户 → aevatar GAgent：捕获用户的消息或命令。
- GAgent → aevatar框架：将结构化事件传递给框架（多智能体协作和AI交互）。
- aevatar框架 → 核心逻辑（RAG和LLM）：RAG和LLM解析请求。
- 核心逻辑（RAG和LLM）→ 外部服务或知识/记忆库：检索数据或调用专门操作。
- aevatar框架 → 输出代理：格式化并准备最终输出。
- 输出 → GAgent → 用户：用户收到响应。
详细流程：
- 智能体创建与初始化：客户端请求GAgentFactory创建智能体，智能体使用StateLogEventStorage初始化状态，并通过StreamProvider设置订阅。
- 事件发布与处理：客户端（或其他系统）向智能体发布事件，智能体将事件追加到事件存储中，更新其内存状态，并在必要时发布到外部流。
- 状态恢复：在需要时，智能体从存储中检索快照，并应用所有后续事件，最终获得最新状态。
显著特点与优势：
- 多智能体协作：系统可以将复杂任务拆分为更小的专门子任务，每个任务由适当的智能体处理。
- 动态流程：智能体按需激活和调用（虚拟参与者模型），允许在任务可拆分的场景中实现并发或并行调用。
- 与外部服务集成：知识模块可以无缝整合实时数据、领域文档或高级处理能力。
- 检索增强生成（RAG）：智能体可以查询向量数据库或记忆存储，利用最新的上下文数据增强LLM或其他逻辑。
- 可扩展性与扩展性：每个组件都可以水平扩展，新的智能体或工具可以在不改变主要架构的情况下引入。
5.1 Orleans参与者模型与可扩展性
- 分布式参与者：每个智能体作为一个Grain，存储自己的状态和事件历史。Orleans处理调度和消息传递，消除了手动管理并发锁和网络通信的需求。
- 水平扩展：当系统需要处理更多对话或更高并发时，添加Silo节点可以扩展智能体实例并自动平衡负载。
5.2 GAgentBase设计与事件驱动架构
-
GAgentBase<TState, TStateLogEvent>：
- 继承
JournaledGrain<TState, StateLogEventBase<TStateLogEvent>>，天然具备事件溯源能力。 - 通过
PublishToAsync/SubscribeToAsync等方法，允许智能体自由组合和交互，形成多对多或多级事件流拓扑。
- 继承
-
EventWrapper：
- 为所有事件添加ID、时间戳和上下文等元数据，便于审计和调试，避免传统“黑箱AI”问题。
5.3 低代码/无代码编排与可视化
- 拖放流程设计：用户可以在仪表板上拖放智能体节点、配置事件路由并设置模型策略，而无需编写复杂的后端代码。
- 实时监控与日志重放：集成事件溯源日志，允许通过aevatar仪表板查看任何时刻的事件序列或智能体状态，帮助业务优化和维护故障排查。
5.4 可观测性与监控
- 分布式追踪：集成OpenTelemetry、Jaeger或Zipkin，可视化跟踪跨智能体/Grain的调用链。
- 指标与警报：收集系统指标（如QPS、延迟、错误率等），并基于Prometheus/Grafana实现实时警报。
- Orleans仪表板：可选的内置Orleans仪表板，显示运行时数据（如Grain激活数量、消息处理速率等）。
-
关键特性
6.1 多模型并行处理/动态切换
- 根据业务需求自动（或手动）在不同LLM之间切换。
- 能够分配多个模型同时处理子任务并合并结果。
6.2 高级任务编排与协作
- GAgent提供基于事件的协作机制，允许多个智能体并行处理复杂业务流程。
6.3 RAG集成
- 连接向量数据库/文档搜索引擎，使智能体能够从大规模知识库中检索并生成答案。
6.4 跨平台扩展
- 通过插件与Telegram、X、Slack等平台集成，快速构建多渠道聊天/通信场景。
6.5 开发者与非开发者友好
- 面向开发者：提供可编程的插件框架。
- 面向非技术人员：通过仪表板的低代码/无代码管理，快速上手。
-
用例
7.1 多智能体协作/自动化
-
跨部门智能体:
- Finance Agent（财务智能体）自动处理报销工作流程
- HR Agent（人力资源智能体）负责简历/履历筛选
- IT Agent（IT智能体）管理工单
- 各智能体可相互通知事件或汇总审批结果
-
低代码管理:
- 用户可在 aevatar Dashboard 中配置流程并设置触发条件
- 智能体在接到指令后，会根据事件流程自动执行
以上基于任务的编排，使 G‐agents（G-智能体）既能独立运行又可无缝协同，充分利用各自的专业能力，更高效地完成复杂目标。
7.2 多语言客服/社交媒体智能体
-
Telegram/X 适配:
- 可部署多个智能体进行交互
- 支持多种通信渠道与多语言服务
7.3 区块链/金融/制造业中的行业应用
-
智能合约分析:
- 智能体从区块链中获取智能合约文本
- 执行风险检测和语言解析
- 发现异常时，向运营智能体推送警示
-
数据驱动的决策:
- 在制造行业，智能体可实时分析 IoT 传感器数据
- 并结合 LLM（大型语言模型）提供故障诊断或生产建议
-
当前的 AI 框架格局
8.1 对比表：aevatar intelligence x ElizaOS x G.A.M.E
|
对比方向
|
aevatar intelligence
|
ElizaOS
|
G.A.M.E
|
|
主要优势(Key Strength)
|
|
|
|
|
能力(Capabilities)
|
|
各个Agent只能同时使用同一种语言模型协作，之间目前无法交互、协作、集体做决策
|
各个Agent只能同时使用同一种语言模型协作，之间目前无法交互、协作、集体做决策
|
|
多语言模型(LLM)编排
|
通过 AutoGen 进行多LLM编排，适用于在任何类型的应用中进行复杂推理和决策
|
仅限于单一模型的 API 集成，没有多LLM自动化，不具备跨应用的灵活性
|
针对虚拟世界中的自然语言交互进行了优化，不适用于通用型应用
|
|
框架设计(Design)
|
模块化＋延展性插件＋动态集群管理 系统
|
模块化＋延展性插件 系统
|
模块化＋ 环境无关性 (environment agnostic)
|
|
目标用户(Target Audience)
|
终端用户与技术型开发者均适用
|
技术型开发者
|
非技术型用戶
|
|
编程语言(Coding Language)
|
无代码 或 低代码（no-code or low-code）
|
TypeScript/JavaScript
|
低代码 (Low-code)
|
|
可扩展性 (Scalability)
|
|
|
|
|
用例(Use Cases)
|
为区块链和金融等行业中的通用、可扩展、多领域逻辑而构建
|
为较小的网页项目和社区驱动的原型开发而构建
|
为游戏和元宇宙场景（包含通证经济集成）而构建
|
|
云原生 & DevOps (Cloud Native & DevOps)
|
先进的云原生 Kubernetes 部署，通过 DevSecOps & GitOps 提供强大的安全性
|
专注于速度，但缺乏广泛的自动化和合规机制
|
专注于性能，但未提供完整的云原生工具
|
|
维护 (Maintainability)
|
Agent-as-a-Service 通过Plugin进行功能迭代，无须用户自己部署服务。优化了对Agent开发和部署的操作。
|
Supabase 借助其后端即服务（Backend-as-a-Service）平台，为开发运维提供易用的部署方式
|
未确定 —— 闭源
|
|
代码获取 (Code Access)
|
开源
|
开源
|
闭源（黑盒）
|
|
平台集成 (Platform Integrations)
|
|
|
|
8.2 技术与商业价值
强大的多语言模型协作
- 允许在同一个业务流程中调用多个大型语言模型
- 优化成本与性能
易用性
- aevatar Marketplace 提供低/无代码编辑器
- 大幅缩短智能体开发与运营周期
高并发与可追溯性
- 基于 Actor + Event Sourcing
- 系统可轻松处理数万级并发操作
- 所有交互历史可回放并进行审计
合规与安全
- 结合云原生 & DevSecOps & GitOps
- 在 Kubernetes 中实现自动化部署
- 确保安全与合规要求
-
路线图
9.1 短期规划
|
Teams
|
Done
|
Phase 1
|
Phase 2
|
|
aevatar-framework
|
🏆基础搭建 1.Multi-agent基础框架
|
🏆AI Gagent升级 1.更多LLM支持 2.Memory升级 3.Knowledge base 4.RAG升级
|
🏆AI Gagent升级 1.多模态 2.Knowledge base共享 3.自我反馈
|
|
🏆Marketplace 1.Gagent Marketplace标准 2.Ai组件 Marketplace标准
|
🏆编排 1.自然语言生成 2.可视化工作流面板
|
🏆编排升级 1.反馈与评估模块
|
|
|
|
4.任务调度
|
|
|
|
|
|
🏆Aevatar workflow sdk 1.权限体系 2.Gagent构建 3.Workflow构建
|
|
|
|
🏆Gagent类型丰富 1.系统Gagent 2.更丰富的社交媒体组件
|
🏆Gagent类型丰富 1.Aelf chain组件
|
|
|
aevatar-applications
|
🏆Pumpfun
|
🏆Aevatar workflow sdk 1.权限体系 2.Gagent构建 3.Workflow构建
|
🏆Station1.0 1.Agents即服务 2.Marketplace 3.Gagent&Swarms构建 4.Dashboard
|
|
|
🏆神秘Ai游戏
|
🏆AI大赛
|
|
|
|
|
AI大赛
|
|
9.2 长期规划
增强的向量检索 (RAG) 能力
- 原生支持向量数据库
- 优化海量文档分块检索与 AI 答案生成
增强的智能体插件市场
- 推出多行业插件生态系统
-
提供可即插即用的智能体模块，覆盖如：
- 金融风控
- 供应链管理
- 医疗健康
服务网格与零信任安全
- 进一步深化服务网格集成
- 加强数据加密、流量管控与访问策略
RLHF（基于人类反馈的强化学习）机制
- 支持对智能体进行实时人类反馈训练
- 持续优化对话质量、逻辑推理及行为决策
无限的智能体协作
- 将多智能体协作从云原生拓展至物联网或其他 AI 智能体平台
-
总结
随着多模型、多智能体协作逐渐成为主流，aevatar.ai 作为下一代 AI 智能体经济的先行者，提供了跨平台、跨语言模型、低门槛且高度可扩展的解决方案。
通过充分利用 Orleans Actor 模型、事件溯源以及云原生架构，aevatar.ai 实现了以下核心价值：
- 全面的多智能体协作：突破单一模型和封闭生态的限制，让不同 AI 智能体之间实现信息共享与高效通信。
- 可视化与低代码：大幅降低开发和维护门槛，帮助不同层级的用户快速落地 AI 智能体解决方案。
- 高并发与可追溯性：分布式 Actor 与事件溯源，确保在大规模场景中的稳定性与可审计性。
- 安全与可扩展性：云原生 DevSecOps 方案，既满足行业定制化需求，又确保合规。
展望未来，aevatar.ai 将持续迭代升级，致力于打造功能全面、稳健的 Agent-as-a-Service 平台，为更多行业和个人用户带来便捷而强大的 AI 协作体验。
我们诚邀社区共同参与生态建设，携手推动 AI 智能体系统的开放与成功。
Github地址：
aevatar 核心框架: https://github.com/aevatarAI/aevatar-framework
aevatar平台: https://github.com/aevatarAI/aevatar-station
aevatar 案例: https://github.com/aevatarAI/aevatar-gagents
aevatar平台: https://github.com/aevatarAI/aevatar-station
aevatar 案例: https://github.com/aevatarAI/aevatar-gagents
本来是想把之前面试的一些经历和体会以一个系列的形式写出来，但一直都有这样或者那样的事情“从中作梗”，所以直到现在也未能如愿。我当时在新加坡一共面试了七家公司（有欧美企业，香港企业，新加坡政府、企业以及银行），其中有电话面试，视频面试，笔试，机试以及“面对面”面试。最终结果一共收到4个offer，其中以新加坡管理大学和微软两个Offer最难取舍。鉴于很多朋友发邮件提到这个问题，我本意是很想把这些文章补上，但是这个月忙着赶项目，下个月又要和老婆去澳大利亚旅游大半个月，所以先发一张之前概述的总结图，希望对需要这些资料的朋友一些帮助或者启示。 
最近忙于重构项目的架构设计，没有时间发博客，也没有时间回复邮件及博文评论，忘各位见谅。今天先发布架构设计图，同样没有时间写相关的介绍也没有时间回复评论，所以就不发在首页，希望给看到的朋友一些参考，同时也希望大家给点意见！ 
最近项目面临技术选型，忙里偷闲画了一幅微软平台开发技术蓝图。由于时间有限，还有很多不完善的地方，就不发在首页，分享出来，只是希望能给需要的朋友一些参考。 
今天这篇我们就来聊一聊英语相关的技术书籍，文中主要讲英语技术书籍，所以中文书籍以及其他不是计算机相关的书籍不在此篇论述范畴。需要强调的是文中的观点只是自己的学习心得和一些体会，属一家之言且鉴于本人学识浅薄，如有不对的地方，也请大家见谅并指正。 
这篇博文只是发在自己的博客上，希望能回顾自己的得失，做一个简单的总结。如果有朋友看到了这篇文章，希望共勉之！
新加坡之路：2010年踏上了新加坡这片美丽且繁华的土地，刚下飞机的那一刻心情很复杂，可谓是五味杂陈：一是对新环境和新事物的憧憬与好奇；二是对亲友的不舍（尤其是心爱的女友）；没想到时光如梭，掐指一算已经将近三年的时光; 简单回顾这三年，既有失去也有收获，正所谓鱼和熊掌，岂能兼得！
完成了职业的转型和蜕变：从软件工程师（Software engineer）==高级软件工程师（senor Software engineer）==项目组长（Team Lead）==高级顾问（senor Consultant）==顾问组长（Lead Consultant）==系统分析师（System Ana 
自从上一篇实战第一个云程序之后，我就没有再发布云计算相关的文章，这些天重新整理了一下草稿箱，发现这个系列有很多篇都存了大半年了，一直没有整理发布出来，今天就先发布这篇“云计算资源分享与下载”，希望能给大家带来一些参考和帮助。这篇文章对于学习系统学习云计算有很好的指导作用，尤其是大量的书籍、视频和相关社区网站的介绍，但是由于我比较热衷于微软的Azure平台的研究和推广，针对其他厂商的云计算产品，我只是很粗浅的了解了其概念及简单使用，并没有做深入的研究，所以如果后续发布的云计算相关文章也会集中在Azure上。 
WPF企业内训全程实录由于文章比较长，所以一共拆分成了三篇，上篇WPF企业内训全程实录（上）主要讲了基础，中篇WPF企业内训全程实录(中)主要讲解开发模式、团队协作及应用框架，起着承上启下的作用,主要讲解开发模式、团队协作及应用框架。这篇作为该实录的下篇——终结篇，起着总结的作用，主要讲解其他技术的引用、WPF项目及性能优化、部署与更新等议题。 
最近很忙，没有及时更新博客，也没有参加各种活动，唯一的活动就是接下来要讲的APOC 15 Years Celebration。不知不觉，自己也加入APOC有一年多了，正如大家所说“岁月是把杀猪刀”！ 
各位园友们，赶快行动起来吧，免费获得微软HTML5,JavaScript和CSS3的MCSD证书（价值一千多大洋）。如果你对此感兴趣，下面就和圣殿骑士一起完成注册和考试预定（PS.今天新加坡过节，不上班，有什么问题，圣殿骑士会尽力解答）。另外，经很多园友建议，如果有注册成功的朋友，回复可以加上城市信息（哪个城市注册成功），这样可以方便其他其他园友得到更有用的信息。 
