- 综合排序
- 最热优先
- 最新优先
- 来自专栏技术杂记
Zabbix Agent 安装5
这个脚本是用来进行端口发现的，作为基础服务提供给其它监控条目使用 Note: zabbix用户要有这个脚本的执行权限，因为实际信息收集过程中，是以zabbix这个用户的身份进行的 [root@zbx-target
86110编辑于 2022-03-21 轻量级多Agent协同架构实现高效智能渗透，成本效益与稳定性显著
行业面临智能渗透测试的效能与稳定性挑战 在时间严格受限的多目标渗透测试场景中，传统复杂集中式规划智能体存在单点性能瓶颈，难以实现高并发探测与高效试错。 采用轻量级高并发Agent集群与智能纠偏机制 腾讯云黑盲松赛事中，绿盟科技AI小分队采用多Agent独立解题的分布式并行推理架构。 每个Agent拥有独立上下文，通过共享笔记本机制实现异步非阻塞知识协同（如成功路径、有效Payload共享），避免集中式架构的通信开销。 客户案例：绿盟科技实战验证轻量架构竞争力 绿盟科技运营服务BG高级攻防部通过该方案，在腾讯云赛事中实现轻量级Agent集群的稳定推理。 腾讯云技术领先性：简单架构与智能纠偏赋能高效攻防 腾讯云提供MCP智能协同底座与沙箱环境，支撑轻量级高并发Agent架构落地。
28210编辑于 2026-04-04- 来自专栏AI SPPECH
MCP 在 Agent 架构中的位置
1.2 当前 Agent 架构的发展趋势 根据 GitHub 最新趋势和 AI 工具生态的发展，Agent 架构正朝着以下方向演进： 分层设计：从单一模块向清晰的分层架构发展，如 Planner/Executor 二、核心更新亮点与新要素 2.1 Agent 架构分层设计 MCP v2.0 推动了 Agent 架构的分层设计，将 Agent 系统分为以下核心层次： 新要素 1：清晰的分层架构 感知层：负责接收和处理外部输入 架构图：MCP 在 Agent 架构中的位置 从上图可以看出，MCP 在 Agent 架构中扮演着核心的工具调用角色，连接了认知层、规划层、执行层和记忆层，是整个 Agent 系统的"神经中枢"。 执行等 异常处理：处理系统级异常，确保系统稳定运行 配置管理：管理 Agent 的配置，如模型参数、MCP 服务器地址等 代码示例 3：MCP Agent 核心控制器实现 from typing import Agent 架构的资源消耗可能过高 简单任务场景：对于简单的推理任务，MCP Agent 架构可能过于复杂，带来不必要的开销 六、未来趋势展望与个人前瞻性预测 6.1 MCP 在 Agent 架构中的未来发展趋势
61210编辑于 2026-01-08 云端 AI Agent 架构实战
云端 AI Agent 架构实战：Google ADK 5 种 Skill 编排模式的工程化落地Agent 技术栈正在经历从原型验证到生产部署的跨越。 Google ADK（Agent Development Kit）作为 2025 年末发布的 Agent 开发框架，已经在不少云端项目中跑通了完整闭环。但"能跑"和"能扛"之间，差的就是架构设计。 本文从云部署和 API 工程化的视角出发，拆解 ADK 中 5 种 Skill 编排模式的架构选型逻辑、部署策略和资源开销优化方案。 这是构建复杂 Agent 系统的核心架构模式，类似于微服务中的编排器（Orchestrator）。 Agent 架构中，通过统一的 API 聚合平台管理模型调度能显著降低运维复杂度。
34610编辑于 2026-03-26ChatGPT Agent技术架构探析
ChatGPT Agent的创新之处在于将深度研究（Deep research）模块与操作器（Operator）系统进行深度融合，形成了具备自主决策能力的"大脑+四肢"架构。 重新定义智能体的核心能力 多模态任务处理架构 不同于仅能处理文本交互的传统机器人，ChatGPT Agent构建了四层核心能力体系：深度研究模块支持多步骤的复杂问题拆解与高质量报告生成；可视化浏览器环境下的远程操作能力使其能像人类一样操作网页界面 技术架构深度剖析 Operator整合：智能执行的神经中枢 ChatGPT Agent的Operator架构是其区别于传统对话系统的核心创新。 记忆隔离：临时会话模式防止历史数据被恶意利用 5. 动态过滤：实时检测并拦截异常指令模式 6. 安全架构的持续进化 随着执行能力的增强，安全防护体系面临全新挑战。OpenAI在系统卡片中特别强调了"监控模式"的创新价值——当Agent使用浏览器工具访问敏感信息时，系统会实时生成可解释的操作日志。
59610编辑于 2025-08-27- 来自专栏DeepHub IMBA
从无状态到有状态：长时运行 Agent 的 5 种架构模式
一旦动手做这类长时运行的 agent，会遇到一个问题：大多数 agent 架构本质上是无状态的，每次交互都从数据库里把 context 重新拼回来。 这里最关键的架构决定又回到治理上。内容策略不应该被硬编码进 agent 本身，而应该在 Agent Gateway 里定义。 每个 specialist 拥有独立的 Agent Identity，因此只能访问自己需要的资源；通过 Agent Gateway 走自己的策略校验；在 Agent Registry 里有独立条目。 # Pattern 5: Fleet Orchestration async def coordinator_agent(lead_list): results = [] for lead message=draft) results.append({"lead": lead, "score": score, "draft": draft}) # 5.
11510编辑于 2026-05-11 - 来自专栏DeepHub IMBA
深度研究Agent架构解析：4种Agent架构介绍及实用Prompt模板
近两年深度搜索Agent发展很快各家的实现思路也越来越成熟，围绕这两个问题业界逐渐沉淀出几种主流架构：从最基础的Planner-Only，到加入评估反馈的双模块设计，再到Sentient Labs提出的递归式方案 这篇文章将整理这些架构并顺便附上一些实用的prompt模板。 迭代式搜索Agent 在讨论更复杂的架构之前，先回顾一下最基础的迭代式搜索Agent。 Planner-Only架构 但并行工作流又有个明显的短板：子查询数量是写死的。实际情况是简单问题拆2-3个子查询就够了，而复杂问题可能要拆5-6个甚至更多。 这样Planner输出的计划才足够具体，下游的执行Agent才能照着执行。 Planner承担的任务复杂度高是整个架构的核心节点。 递归搜索Agent 前面介绍的架构本质上都是迭代式的，但从算法角度看迭代能做的事递归也能做，而且递归天然适合处理可分解的层次化问题。
83610编辑于 2026-01-12 AI Agent的工作原理和架构
好的，希望我需要你帮我阐述AI大模型里面 AI Agent的工作原理和架构。 我需要你先阐述要给最核心的主题工作原理和架构。其次再分不同的场景来展现不同场景下的工作原理和架构。 AI Agent基础架构 AI Agent基础架构是所有智能代理系统的核心框架，它定义了Agent如何与环境交互并实现智能行为。 经验回放机制存储历史交互数据(s,a,r,s')，通过随机采样打破数据相关性，提高学习稳定性。目标网络提供稳定的学习目标，定期从主网络复制参数，避免训练过程中的震荡。 通过对六种典型场景的分析，我们可以看到AI Agent在不同应用领域中的架构特点和工作机制： 基础架构为所有Agent提供了统一的设计框架，强调感知、认知、决策和执行四个核心模块的协同工作。 随着技术的不断发展，我们可以期待看到更多创新的Agent架构和应用场景的出现。
1.7K10编辑于 2025-08-06- 来自专栏Y-StarryDreamer
『Jenkins』Jenkins的Master-Agent架构详解
了解Jenkins的Master-Agent架构及其工作原理。学习如何在Jenkins中配置和管理Master与Agent。 通过实际示例，展示如何利用Jenkins的Master-Agent架构实现分布式构建。提供最佳实践，帮助优化Jenkins集群的构建和部署流程。Jenkins Master-Agent架构概述1. 性能优化通过以下方式提高Jenkins Master-Agent架构的性能：分离构建和执行：将构建和执行任务分配给不同的Agent，减少Master的负载。 在实践中，优化Jenkins Master-Agent架构的资源利用、负载均衡、安全性和性能将有助于提升构建效率和稳定性。 通过学习和掌握Jenkins的Master-Agent架构，您可以更好地支持现代软件开发中的持续集成和持续交付。
1.5K00编辑于 2025-01-27 Hermes Agent + LangChainAutoGPT 混合架构：构建超级 Agent 系统
每个Agent框架都有自己的强项：框架最强能力HermesAgent持久记忆、技能自创、消息网关LangChain链式推理、文档处理、RAGAutoGPT自主任务分解、网页操作混合使用可以取长补短。 方案三：三合一超级Agent展开代码语言：TXTAI代码解释┌───LangChain（知识检索）│用户→Hermes──┼───AutoGPT（复杂任务）│└───内置工具（日常操作）Hermes统一管理记忆和技能实现方式 ：多个框架的版本更新需要协调部署建议混合架构建议使用4C8G以上的服务器配置。 立即前往腾讯云官网选购HermesAgent专属云服务器FAQ：Q1：混合架构比单独用HermesAgent好吗？A：不一定。如果你的需求在HermesAgent内置能力范围内，单框架反而更稳定高效。 混合架构适合有特殊需求的高级用户。Q2：需要自己写集成代码吗？A：目前需要编写MCP桥接服务。社区正在开发常用框架的即插即用集成包。Q3：资源需求比单框架大多少？
52911编辑于 2026-04-16- 来自专栏架构精进之路
LangGraph Agent 架构设计
Agent 架构是定义AI智能体组件与交互方式的蓝图，让Agent得以感知环境、进行推理并采取行动。 — 1 — Agent 架构的分类 选择合适的架构对构建高效AI智能体至关重要。架构决定了智能体的响应速度、处理复杂任务能力、学习适应性及资源需求。 主流 Agent 架构可分为以下类别： 反应式架构 审慎式架构 混合式架构 神经符号式架构 认知式架构 — 2 — LangGraph Agent 设计模式 Agent 架构与设计模式紧密相关，但属于 Agent 架构：定义智能智能体构建与运作的结构框架，涉及核心组件及其组织方式（类似"骨架"），明确智能体如何感知环境、处理信息、决策行动。 ）：响应用户或触发二次规划 — 5 — 反思与批判 基本型反思架构（Basic Reflection） 基本型反思智能体会提示大语言模型（LLM）回顾历史行为，从而持续学习改进。
86420编辑于 2025-05-09 Agent + MCP 架构下的功能测试模式变革
面对同样的电商测试需求,他们首先问的是:我们需要构建什么样的测试能力,才能让这个体系在未来三年内持续有效? 在Agent + MCP架构下,这个问题有了更具体的答案。 在Agent + MCP架构下,这个生态包含几个关键要素: 1. 标准化的能力接口 通过MCP协议定义统一的测试能力接口规范。 用Agent编排能力 定义测试场景DSL: 场景:跨端购物流程测试 步骤1:在移动端下单(商品ID:12345) 步骤2:等待订单生成 步骤3:在PC端验证订单状态 步骤4:在小程序端申请退款 步骤5: 每个架构师都曾是脚本小子,区别在于,有些人永远停留在脚本层面,有些人在某个时刻开始向上思考。 Agent + MCP架构的出现,不是为了淘汰测试工程师,而是为了赋能那些愿意突破的人。 重视能力抽象 把重复的测试逻辑提取为可复用的MCP Server,而不是复制粘贴代码。好的抽象应该是稳定的、通用的、可组合的。 3.
27810编辑于 2026-04-15- 来自专栏DeepHub IMBA
AI Agent工作流实用手册：5种常见模式的实现与应用，助力生产环境稳定性
很多人认为使用AI Agent就是直接扔个提示词过去，然后等结果。做实验这样是没问题的，但要是想在生产环境稳定输出高质量结果，这套玩法就不行了。 核心问题是这种随意的提示方式根本扩展不了。 真正有效的做法是设计结构化的Agent工作流。 那些做得好的团队从来不指望一个提示词解决所有问题。他们会把复杂任务拆解成步骤，根据不同输入选择合适的模型，然后持续验证输出质量，直到结果达标。 本文会详细介绍5种常用的的Agent工作流模式，每种都有完整的实现代码和使用场景分析。看完你就知道每种模式解决什么问题，什么时候用，以及为什么能产生更好的效果。 这样做的好处是成本更低、响应更快、质量更稳定，因为每种任务都有专门的工具来处理。 编排器的职责是分析任务需求，决定执行顺序，你不需要事先设计好完整的工作流程。工作器模型各自处理分配到的任务，编排器负责把所有输出整合成最终结果。 这种架构在很多场景下都很实用。
95311编辑于 2025-11-15 Agent Memory：从概念到架构的完整解析
、哪个工具在什么场景下不稳定 示例：没有这层memory，Agent不是在学习，只是在重复犯错 意图不是被单独存储的——它是这四层模型长期耦合后浮现出来的上层能力，就像一个跟了你三年的助理，他"懂你"不是因为背了一本偏好手册 三、Memory的本质架构 3.1 核心命题 命题A：Memory不是"存储"，而是可被决策利用的外部状态 如果把Agent看成一个从输入到输出的函数，仅仅"存了很多历史"并不构成能力。 六、进阶架构：从基础到自进化 6.1 时序记忆 问题：时序不是metadata，而是Memory OS的结构维度 为什么必须把时序提升到架构骨架层？ 5) 不同查询/日期上下文的覆盖宽度 时效性 0.15 exp(-λ × ageDays)，λ = ln(2)/14 指数衰减，半衰期14天 巩固度 0.10 max(0.55×spacing+0.45 当Agent能够： 通过Skills引擎，记住你写代码时的缩进强迫症 通过mRAG准确调出你们三个月前共同探讨过的那张架构草图 在一次次试错中积累经验，最终形成专属于你的执行蓝图时 它就不再是一个随时可以被替换的
1.1K10编辑于 2026-04-21- 来自专栏运维有术
Hermes Agent 技术架构深度解析：110K+ Star，自进化 AI Agent 架构设计
系统架构总览架构上的几个关键设计决策：Agent 循环和工具执行在同一进程：通过 run_agent.py 中的 AIAgent 类管理整个生命周期，没有用微服务那套东西工具自注册模式：每个工具文件在模块级别调用 官方宣称可以在 $5/月的 VPS 上运行，这个数据从架构上看是合理的 - SQLite 很轻，Agent 实例的主要开销在对话历史的内存占用上。3. 这个选择挺有意思的，用一个不太常见的字符做分隔符，降低了和正文内容冲突的概率。冻结快照模式这个设计解决了一个很实际的问题：系统提示的稳定性。 从 PromptBuilder 的 MEMORY_GUIDANCE 到 MemoryManager 的双文件架构，再到 SessionDB 的 FTS5 搜索，整套学习闭环在架构层面是贯通的工具自注册 并发上限 3 个，复杂并行场景受限项目迭代节奏很快 - 不到 3 周发布了 4 个大版本，稳定性需要观察Windows 原生不支持，必须通过 WSL2关于抄袭的争议（中国团队指控架构级抄袭）目前还没有最终结论从架构设计上看
1.1K03编辑于 2026-05-07 - 来自专栏自然语言处理
Agent未来已来？揭示LLM Agent技术架构与现实挑战
让我们深入研究这项技术前沿组织提出的关键架构、实际障碍和未解决的问题 一、架构和框架：拆解Agent“大脑” LLM Agent的核心是语言模型，它为自然语言处理和生成提供动力。 LangChain 等框架提供了实现规划器的抽象，尽管许多Agent架构依赖于 LLM 的隐式规划功能。 图片显示 LLM Agent架构的层次图。 人们很容易将这些Agent架构视为解锁变革性人工智能的关键——事实上，微软、Anthropic 和 OpenAI 等公司正在大力投资这些架构的开发。但组装技术组件只是第一步。 即插即用Agent增强的愿景很诱人。但将这些架构扩展到生产环境仍然存在实际挑战。Agent工具交互的测试和调试非常困难——单个“幻觉”API 调用可能会破坏整个工作流程。 但系统的不稳定性是个大问题 - 知识幻觉、理解偏差、盲目执行风险指令等问题普遍存在。 业界也在努力解决这些挑战。
1.3K10编辑于 2025-01-03 - 来自专栏云原生应用工坊
AI-OPS Agent MVP 架构方案
概述 本方案提出一套 最小可行、可扩展、可审计 的 AI 驱动 OPS Agent 架构，通过 LLM、规则引擎、工具调用三者协同，驱动 MAPE-K 闭环： Perceive(检查) → Analyze 运维可观测的“五维一图” 我们将可观测性数据归约为五大核心维度： 指标 / 时序：服务、实例、系统的 p95、QPS、错误率 日志：原始事件、解析后的模式 链路：跨服务调用、Span 聚合、依赖拓扑 拓扑 证据链的上下文：从近线明细到长周期知识的无缝切换 AIOps 的决策基座：分析、计划、验证共用统一的证据框架 4. 架构总览 关键路径：Sensor → Analyst → Planner → Gatekeeper → Executor → Librarian → Orchestrator 数据平面：OpenObserve 证据链（五维一图）： 指标：metric_1m(p95, err)；链路：service_call_5m；日志：log_pattern_5m；拓扑：topo_edge_time；知识：kb_chunk
67710编辑于 2025-08-29 - 来自专栏AI前沿技术
智能体｜Agent 架构演进与选型
架构的演进并非简单的功能堆砌，而是一场针对核心痛点持续的、系统性的 “补全”计划。 本文主要从 Agent 架构面临问题，四种 Agent演进方向和架构选型的角度进行展开。 一旦涉及大量领域知识的注入，极易引发上下文爆炸，导致模型注意力分散，稳定性大幅下降。 有单 Agent 必定会有多 Agent，最直接的想法是，将一个任务拆分成多个子任务，让不同的Agent 承接。 随着Agent数量增加，系统整体的稳定性保障难度呈非线性上升，而效果的提升却越来越依赖繁琐的人工干预。这是一个典型的边际效应递减过程。 如果有一种机制能在不牺牲上下文稳定性的前提下实现知识的动态加载，那么沉重的Mulit-Agenti间通信或许就不再是必须的选项。 选型的核心逻辑是： 匹配需求复杂度与成本预期 无需追求“高大上”，贴合自身任务边界、成本预算及稳定性要求，选择最适配的形态，才是Agent架构落地的最优路径。
73630编辑于 2026-04-02 - 来自专栏实在智能RPA
详述Agent智能体含义与架构
这并非科幻场景，而是智能体（Agent）技术正在努力实现的未来图景。它代表了人工智能从被动响应走向主动感知、自主决策的关键跃迁。 架构剖析：智能体如何“思考”与“行动”一个典型的现代智能体系统（尤其是基于大语言模型的Agent）如同一个精密的数字大脑，通常包含几个关键模块协同运作：感知中枢：环境信号的解码器智能体通过多种“感官”获取输入 Meta的Chameleon架构就强调了统一记忆模块对复杂任务的关键支撑。执行与反馈闭环：行动的校准仪规划好的动作序列被发送到执行模块，可能是在数字世界操作软件、调用API，或在物理世界驱动机器人。 在医疗诊断、金融决策等高风险场景，其输出的不可靠性成为应用瓶颈。如何提升可解释性（XAI）、构建更稳定可控的推理引擎是核心课题。 认知边界的局限当前智能体依赖训练数据，缺乏真正的世界常识和物理直觉，抽象推理、创造性思维、深度因果推断能力远逊于人。突破此限制需在架构和算法上有根本创新。
1K20编辑于 2025-07-30 - 来自专栏JavaEdge
使用LangGraph构建多Agent系统架构！
层次结构：你可以定义一个有监督者的多Agent系统。这是监督者架构的概括，并允许更复杂的控制流。 自定义多Agent工作流：每个Agent只与Agent子集中的其他Agent通信。 流程的部分是确定性的，只有一些Agent可以决定接下来调用哪个其他Agent。 网络 这种架构中，Agent被定义为图节点。 虽然非常灵活，但随着Agent数量的增加，这种架构扩展性并不好： 很难强制执行接下来应该调用哪个Agent 很难确定应该在Agent之间传递多少信息 建议生产避免使用这架构，而是使用以下架构之一。 监督者 这种架构中，定义Agent为节点，并添加一个监督者节点（LLM），它决定接下来应该调用哪个Agent节点。使用条件边根据监督者的决策将执行路由到适当的Agent节点。 一个特殊情况是监督者工具调用架构。在这种情况下，驱动监督者Agent的工具调用LLM将决定工具（Agent）被调用的顺序。
1.8K20编辑于 2025-06-01
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号