modelstudioai · lishengzxc · Jul 7, 2026 · Jul 7, 2026
diff --git a/skills/bailian-docs-llm-wiki/SKILL.md b/skills/bailian-docs-llm-wiki/SKILL.md
@@ -147,21 +147,21 @@ description: >-
 | **按家族筛选**：按 primaryCapability / providers / itemCount / maxContextWindow 找家族 | `models/families.jsonl`（一行一家族，含 items[] 摘要） |
 | 模型家族总览 / 按能力分桶浏览         | `models/index.md`                                        |
 | 主题页 / API 文档（按功能领域查找）    | `wiki/index.md`（完整索引入口）                          |
-| 函数调用 | `wiki/concepts/function-calling.md` |
-| 流式输出 | `wiki/concepts/streaming-output.md` |
-| 模型调优 | `wiki/concepts/fine-tuning.md` |
-| 向量嵌入 | `wiki/concepts/embedding.md` |
-| 重排序 | `wiki/concepts/rerank.md` |
-| 提示词工程 | `wiki/concepts/prompt-engineering.md` |
-| 上下文窗口 | `wiki/concepts/context-window.md` |
-| 限流与配额 | `wiki/concepts/rate-limiting.md` |
-| 工作流 | `wiki/concepts/workflow.md` |
-| 微调与模型压缩对比 | `wiki/comparisons/fine-tuning-vs-compression.md` |
-| 模型部署与高速推理对比 | `wiki/comparisons/model-deployment-vs-inference.md` |
-| 模型评测与模型监控对比 | `wiki/comparisons/model-evaluation-vs-monitoring.md` |
-| 应用评测与应用监控对比 | `wiki/comparisons/application-evaluation-vs-monitoring.md` |
-| 知识库与记忆库对比 | `wiki/comparisons/knowledge-base-vs-memory-library.md` |
-| 应用调用方式对比 | `wiki/comparisons/application-call-vs-bailian-calling.md` |
+| API Key 鉴权 | `wiki/concepts/api-key.md` |
+| Token 计量 | `wiki/concepts/token.md` |
+| OpenAI 兼容接口 | `wiki/concepts/openai-compatible-interface.md` |
+| 检索增强生成（RAG） | `wiki/concepts/rag.md` |
+| 函数调用（Function Calling） | `wiki/concepts/function-calling.md` |
+| 流式输出 | `wiki/concepts/streaming.md` |
+| 异步调用 | `wiki/concepts/async-invocation.md` |
+| 业务空间 | `wiki/concepts/workspace.md` |
+| 多模态 | `wiki/concepts/multimodal.md` |
+| DashScope SDK | `wiki/concepts/dashscope-sdk.md` |
+| 多模态内容生成 API 对比 | `wiki/comparisons/multimodal-generation-comparison.md` |
+| 模型优化方案对比：微调、压缩与高速推理 | `wiki/comparisons/model-optimization-comparison.md` |
+| 应用评测与模型评测对比 | `wiki/comparisons/app-vs-model-evaluation.md` |
+| 应用监控与模型监控对比 | `wiki/comparisons/app-vs-model-monitoring.md` |
+| 知识库与记忆库对比 | `wiki/comparisons/knowledge-vs-memory.md` |
 
 > 实际文件名以 `wiki/index.md` 为准；上表若有出入应回到索引页查找。
 

diff --git a/skills/bailian-docs-llm-wiki/llms.txt b/skills/bailian-docs-llm-wiki/llms.txt
diff --git a/skills/bailian-docs-llm-wiki/models/index.json b/skills/bailian-docs-llm-wiki/models/index.json
@@ -1,5 +1,5 @@
 {
-  "updatedAt": "2026-07-06",
+  "updatedAt": "2026-07-07",
   "totalFamilies": 164,
   "totalModels": 370,
   "capabilityDistribution": {

diff --git a/skills/bailian-docs-llm-wiki/models/index.md b/skills/bailian-docs-llm-wiki/models/index.md
@@ -1,6 +1,6 @@
 # 百炼模型市场索引
 
-> 自动生成 · 共 164 个模型家族 · 370 个主干模型 · 更新于 2026-07-06
+> 自动生成 · 共 164 个模型家族 · 370 个主干模型 · 更新于 2026-07-07
 
 **机器查询走结构化文件**：
 

diff --git a/...ication-dashscope-api-reference/agent-and-workflow-application-api-reference.md b/...ication-dashscope-api-reference/agent-and-workflow-application-api-reference.md
@@ -1,4 +1,4 @@
-# 工作流与旧版智能体应用 API
+# 应用 DashScope API 参考
 
 本文介绍 DashScope API 调用阿里云百炼应用（**智能体**、**工作流**）的输入与输出参数，并提供典型场景下的调用示例。
 
@@ -4563,13 +4563,6 @@ API 调用时，通过 `user_defined_params` 以 `mcp_id` 为 key 传入对应
 
 组合逻辑：  
 不同键之间为“与”(AND) 逻辑。例如，`"author": "John.Doe", "source": ["internal_wiki", "public_docs"]` 表示筛选出作者是 "John.Doe" 并且来源是 "internal\_wiki" 或 "public\_docs" 的文档。  
-
-
-
-
-
-
-
 
 > Java SDK 中为 **metadataFilter**。
 
@@ -4612,13 +4605,6 @@ API 调用时，通过 `user_defined_params` 以 `mcp_id` 为 key 传入对应
 
 组合逻辑：  
 不同键之间为“与”(AND) 逻辑。例如，`"year": 2024, "department": ["技术部", "产品部"]` 表示筛选出年份是 2024 并且 部门是 "技术部" 或 "产品部" 的文档切片。  
-
-
-
-
-
-
-
 
 > Java SDK 中为 **structuredFilter**。
 
@@ -4960,6 +4946,10 @@ message=Invalid API-key provided.
 
 模型引用的文档名。
 
+**doc\_url** `_string_`
+
+模型引用的文档链接，若文档保存于阿里云百炼平台的安全存储空间中时为`null`。
+
 **text** `_string_`
 
 模型引用的具体文本内容。

diff --git a/...i/raw/application-api-reference/managed-agents-api/managed-agents-quickstart.md b/...i/raw/application-api-reference/managed-agents-api/managed-agents-quickstart.md
@@ -1,6 +1,6 @@
 # 快速开始
 
-五分钟跑通 Managed Agents 全链路：创建 Agent、开启 Session、发送消息并流式接收回复。
+五分钟跑通 Managed Agents 全链路：创建 Agent 与 Environment、开启 Session、提交任务并流式接收执行结果。
 
 ## 前提
 
@@ -16,15 +16,17 @@
 
 ## 调用流程
 
-一次完整的对话分四步：
+一次完整的任务执行分五步：
 
 1.  **创建 Agent**：定义模型与系统提示词，得到 `agent_xxx`。Agent 通常只创建一次并长期复用。
 
-2.  **创建 Session**：绑定 Agent，得到 `sesn_xxx`。每轮对话新建一个 Session。
+2.  **创建 Environment**：定义运行环境，得到 `env_xxx`。Environment 通常只创建一次并长期复用。
 
-3.  **发送 Event**：向 Session 写入用户消息，触发 Agent 进入 `running`。
+3.  **创建 Session**：绑定 Agent 与 Environment，得到 `sesn_xxx`。
 
-4.  **订阅 SSE**：以事件流方式接收回复，直至 Session 回到 `idle`。
+4.  **发送 Event**：向 Session 提交任务指令，触发 Agent 进入 `running`。
+
+5.  **订阅 SSE**：以事件流方式接收执行结果，直至 Session 回到 `idle`。
 
 
 ## 安装 SDK
@@ -48,7 +50,7 @@ Java
 
 ## 端到端示例
 
-下例创建一个纯对话 Agent，开启 Session 后发送一条消息并流式接收回复。
+下例创建一个代码生成 Agent，开启 Session 后提交一个编码任务并流式接收执行结果。
 
 Bash
 
@@ -58,31 +60,38 @@ AGENT_ID=$(curl -s -X POST "$AGENTSTUDIO_URL/agents" \
   -H "Authorization: Bearer $DASHSCOPE_API_KEY" \
   -H "Content-Type: application/json" \
   -d '{
-    "name": "quickstart-assistant",
+    "name": "quickstart-coder",
     "model": {"id": "qwen-plus"},
-    "system": "你是一个有帮助的助手。"
+    "system": "你是一位 Python 专家。用户提交编码任务后，直接输出简洁、可运行的 Python 代码。"
   }' | jq -r '.id')
 echo "Agent: $AGENT_ID"
 
-## 2. 创建 Session
+## 2. 创建 Environment
+ENV_ID=$(curl -s -X POST "$AGENTSTUDIO_URL/environments" \
+  -H "Authorization: Bearer $DASHSCOPE_API_KEY" \
+  -H "Content-Type: application/json" \
+  -d '{"name": "quickstart-env", "config": {"type": "cloud"}}' | jq -r '.id')
+echo "Environment: $ENV_ID"
+
+## 3. 创建 Session
 SESSION_ID=$(curl -s -X POST "$AGENTSTUDIO_URL/sessions" \
   -H "Authorization: Bearer $DASHSCOPE_API_KEY" \
   -H "Content-Type: application/json" \
-  -d "{\"agent\": \"$AGENT_ID\"}" | jq -r '.id')
+  -d "{\"agent\": \"$AGENT_ID\", \"environment_id\": \"$ENV_ID\"}" | jq -r '.id')
 echo "Session: $SESSION_ID"
 
-## 3. 发送用户消息
+## 4. 提交任务
 curl -X POST "$AGENTSTUDIO_URL/sessions/$SESSION_ID/events" \
   -H "Authorization: Bearer $DASHSCOPE_API_KEY" \
   -H "Content-Type: application/json" \
   -d '{
     "input": [
       {"role": "user", "type": "message",
-       "content": [{"type": "text", "text": "你好，请介绍一下自己"}]}
+       "content": [{"type": "text", "text": "写一个 Python 函数，接收一个整数列表并返回去重后的有序列表。"}]}
     ]
   }'
 
-## 4. 订阅 SSE 事件流，接收 Agent 回复
+## 5. 订阅 SSE 事件流，接收执行结果
 curl -N "$AGENTSTUDIO_URL/sessions/$SESSION_ID/events/stream" \
   -H "Authorization: Bearer $DASHSCOPE_API_KEY" \
   -H "Accept: text/event-stream"
@@ -102,21 +111,24 @@ client = Client(
 
 # 1. 创建 Agent
 agent = client.agents.create(
-    name="quickstart-assistant",
+    name="quickstart-coder",
     model="qwen-plus",
-    system_prompt="你是一个有帮助的助手。",
+    system_prompt="你是一位 Python 专家。用户提交编码任务后，直接输出简洁、可运行的 Python 代码。",
 )
 
-# 2. 创建 Session
-session = client.sessions.create(agent=agent.id)
-print(f"Agent: {agent.id}, Session: {session.id}")
+# 2. 创建 Environment
+env = client.environments.create(name="quickstart-env", config={"type": "cloud"})
 
-# 3. 发送用户消息
+# 3. 创建 Session
+session = client.sessions.create(agent=agent.id, environment_id=env.id)
+print(f"Agent: {agent.id}, Environment: {env.id}, Session: {session.id}")
+
+# 4. 提交任务
 client.sessions.events.send(
-    session.id, [user_message("你好，请介绍一下自己")]
+    session.id, events=[user_message("写一个 Python 函数，接收一个整数列表并返回去重后的有序列表。")]
 )
 
-# 4. 流式接收回复
+# 5. 流式接收执行结果
 with client.sessions.events.stream(session.id) as stream:
     for event in stream:
         print(event, flush=True)
@@ -130,6 +142,7 @@ Java
 import com.alibaba.dashscope.agentstudio.*;
 import com.alibaba.dashscope.agentstudio.model.*;
 import com.alibaba.dashscope.agentstudio.param.*;
+import java.util.Collections;
 
 // 1. 创建客户端（自动读取 DASHSCOPE_API_KEY 环境变量）
 AgentStudioClient client = AgentStudioClient.builder()
@@ -138,20 +151,28 @@ AgentStudioClient client = AgentStudioClient.builder()
 
 // 2. 创建 Agent
 Agent agent = client.agents().create(AgentCreateParam.builder()
-    .name("quickstart-assistant")
+    .name("quickstart-coder")
     .model("qwen-plus")
-    .instructions("你是一个有帮助的助手。")
+    .instructions("你是一位 Python 专家。用户提交编码任务后，直接输出简洁、可运行的 Python 代码。")
+    .build());
+
+// 3. 创建 Environment
+Environment env = client.environments().create(EnvironmentCreateParam.builder()
+    .name("quickstart-env")
+    .config(Map.of("type", "cloud"))
     .build());
 
-// 3. 创建 Session
+// 4. 创建 Session
 Session session = client.sessions().create(SessionCreateParam.builder()
     .agentId(agent.getId())
+    .environmentId(env.getId())
     .build());
-System.out.println("Agent: " + agent.getId() + ", Session: " + session.getId());
+System.out.println("Agent: " + agent.getId() + ", Environment: " + env.getId() + ", Session: " + session.getId());
 
-// 4. 发送用户消息并流式接收回复
+// 5. 提交任务并流式接收执行结果
 try (AgentStudioEventStream stream = client.sessions().events().stream(session.getId())) {
-    client.sessions().events().send(session.getId(), "你好，请介绍一下自己");
+    client.sessions().events().send(session.getId(),
+        Collections.singletonList(ClientEvents.userMessage("写一个 Python 函数，接收一个整数列表并返回去重后的有序列表。")));
     for (Message event : stream) {
         System.out.print(event);
     }