- 综合排序
- 最热优先
- 最新优先
- 来自专栏技术杂记
Zabbix Agent 安装6
配置完监控插件后，要重启agent Note: 如果不重启，就读不到新添的配置，从服务端尝试获取信息，会出现如下报错 [root@zbx-server zabbix_agentd.d]# zabbix_get [root@zbx-server zabbix_agentd.d]# 重启agent [root@zbx-target zabbix_agentd.d]# /etc/init.d/zabbix-agent restart Shutting down Zabbix agent: [ OK ] Starting Zabbix agent: ，创建 Graphs ，拼接 Screens 就可以展示出非常炫目的dashboard效果 ---- 命令汇总 wget http://repo.zabbix.com/zabbix/2.4/rhel/6/ x86_64/zabbix-release-2.4-1.el6.noarch.rpm zabbix_get -s zbx-target -p 10050 -k "system.cpu.load[all,
89810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 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。 至少列出3种不同的场景，最多不超过6种常见场景。 因此基于上面的场景，帮我输出一个完整的html网页。对于 svg部分的代码也直接嵌入在该网页中。 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。
1.7K10编辑于 2025-08-06Agent设计模式（6）：Multi-Agent模式——构建多Agent协作系统
这是"Agent设计模式"系列文章的最后一篇。 但现实世界的问题往往太复杂，单一Agent难以胜任。就像一个人解决不了所有问题，多个专业分工的Agent协作才是正解。 这就是今天要讲的Multi-Agent模式。 一、为什么需要多Agent？ 每个Agent必须明确： 它负责什么 它的输入是什么 它的输出是什么 它和其他Agent如何交互 ▪ 代码审查系统的角色设计 # agent_roles.py from dataclasses import 每个Agent的Prompt要清晰定义输入输出格式（JSON） 2. LLM输出可能不稳定，需要做JSON解析的容错处理（见parse_json_response） 3. 多步骤 第3篇 Tool-Use模式 调用外部工具 需要扩展能力 第4篇 Memory模式 记住上下文 长对话、状态维护 第5篇 Chain-of-Thought模式 显式推理链 复杂推理、数学问题 第6篇
31411编辑于 2026-05-09Hermes 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。 即整合了多推理工具实现自适应，效率远超单一方法 核心优势： 推理模块：按特定顺序组合基础推理步骤 无需人工：自主生成策略，无需任务标注 任务自适应：类人式规划最优解 可迁移性：策略可跨语言模型复用 — 6
86420编辑于 2025-05-09 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。 二、Parallel Fan-Out：多源并发查询架构架构定位一个请求同时分发到多个 Skill 并行执行，最后聚合。对应到云端就是典型的扇出-聚合模型，和微服务的并行调用本质一致。 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）。 )# 关键决策走最强模型supervisor.set_model("claude-opus-4-6")在多模型混用的 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 2026-03-26- 来自专栏AgenticAI
6种AI Agent模式详解
img 随着基于大型语言模型的系统日益复杂，智能体工作流的设计也变得愈发重要。虽然简单的应用可能仅依赖于一个自主智能体，但更高级的用例通常需要多个智能体之间的协作，每个智能体负责一个特定的角色。 这种结构带来了： 清晰的职责划分 更容易的调试与迭代 更好的可扩展性和性能 更高的工作流设计灵活性 具体采用哪种模式，取决于系统的复杂度、所需的协调方式以及每个智能体的自主程度。 工具化监督者模式 这是监督者模式的一种变体，其中监督者将每个专家智能体视为可调用的“工具”。与其发出泛泛的指令，不如通过类似工具的接口调用这些智能体，并传入结构化参数。 适用场景： 企业级系统、多领域编排任务 6. 每个智能体专注于自身领域的任务，独立运行，从而确保系统在不断演化中保持模块化和可维护性。 随着基于大语言模型的系统不断扩展复杂度，使用清晰、可维护的智能体结构模式来组织系统架构，变得尤为关键。
1.2K10编辑于 2025-07-27 ChatGPT 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。 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Langchain
【LangChain系列6】【Agent模块详解】
agent: LangChain中的agent与用户输入进行交互，并使用不同的模型进行处理。Agent决定采取何种行动以及以何种顺序来执行行动。 大模型知识更新的滞后性大模型的外部API调用能力大模型输出的不稳定问题，如何稳定输出？大模型与私有化数据的连接方式？ 解决的问题：处理Agent选择不存在的工具的情况处理工具出错的情况处理Agent生成的输出无法解析为工具调用的情况所有级别（Agent决策、工具调用）的日志记录和可观察性到 stdout 和/或 LangSmith 2-1、Agent介绍Agent的核心思想是使用LLM来选择一系列要执行的动作，图示相关内容介绍如下。 ）：Agent可以调用的一组工具或者是API，这些工具可以帮助Agent执行各种任务。
3K11编辑于 2025-01-13 - 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 - 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 - 来自专栏苏三说技术
AI Agent中6种常用的设计模式
今天，我将结合Spring AI Alibaba和AgentScope等主流框架的最佳实践，跟大家一起聊聊AI Agent开发中6种最实用的设计模式。 希望对你会有所帮助。 一、AI Agent的架构演进 在深入具体模式之前，我们先花一分钟理解Agent系统的核心架构。 任何一个成熟的Agent系统，都由以下几个核心模块组成： 在这个架构基础上，学术界和工业界总结出了多种设计模式。 从最简单的单体Agent到复杂的多智能体协作，每种模式都有其独特的优势和适用场景。 缺点：架构复杂度高；Agent间通信协调有额外开销。 适用场景：大型企业系统、多部门协同业务、复杂流程自动化。 希望这份设计模式指南能帮你构建出更加稳定、可靠、智能的AI Agent系统。
39910编辑于 2026-04-14 - 来自专栏XINDOO的专栏
Agent设计模式——第 6 章：规划
它需要远见、将复杂任务分解为更小的可管理步骤，以及制定实现期望结果的策略。这就是规划模式发挥作用的地方。规划的核心是 Agent 或 Agent 系统制定一系列行动以从初始状态向目标状态移动的能力。 同样，在涉及多步问题解决的客户支持场景中，Agent 可以创建并遵循诊断、解决方案实施和升级的系统计划。 从本质上讲，规划模式允许 Agent 从简单的反应性行动转向目标导向的行为。 定义一个清晰且专注的 Agent planner_writer_agent = Agent( role='文章规划者和撰写者', goal='规划然后撰写关于指定主题的简洁、引人入胜的摘要 创建了一个名为 plannerwriter_agent 的 Agent，具有特定的角色和目标：规划然后撰写简洁的摘要。Agent 的背景故事强调其在规划和技术写作方面的专业知识。 图 1：Google Deep Research Agent 生成使用 Google 搜索作为工具的执行计划。 关键的架构组件是系统异步管理此过程的能力。
73110编辑于 2025-10-27 - 来自专栏自然语言处理(NLP)论文速递
RU | 提出大模型Agent操作系统：AIOS，支持多Agent并行，稳定可靠！
为此，「本文创新性的提出一个基于大模型的操作系统架构：AIOS」，该架构将LLM作为操作系统的“大脑”，优化Agent请求的调度，支持上下文切换，实现并发执行，并提供工具服务和访问控制，结果表明了AIOS Agent能够分解任务并调用外部工具或与环境交互来完成任务。 「多Agent系统」：利用多个Agent之间的交互来解决问题。多个Agent之间的关系可能是合作的、竞争的，或者是合作与竞争的混合。 AIOS架构 如下图所示，「AIOS 架构共分为三个不同的层：应用程序层、内核层和硬件层」。 这种分层架构确保了整个系统的职责划分清晰，促进了接口或者特定模块的交互，从而增强模块化并简化不同层之间的系统交互。 AIOS架构中的6个主要模块： 「Agent调度器 (Agent Scheduler)」 优化LLM资源的使用，通过FIFO、RR等调度算法来优先处理和调度Agent请求。
1.8K11编辑于 2024-03-29 Agent + MCP 架构下的功能测试模式变革
随着Agent技术和MCP(Model Context Protocol)架构的成熟,这个差异不再是抽象的理念之争,而是具体体现在技术选型、工具设计和团队协作的每一个环节中。 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。 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 2026-04-15Agent 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？ ×span, groundedCount/3) 多日重现或grounded信号强度 概念丰富度 0.06 min(1,conceptTags.length / 6) Concept标签密度 晋升门控： 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
同时，MCP 协议的支持（mcp_serve.py）让 Hermes Agent 可以接入 6,000+ 外部应用，这些 MCP 工具通过动态注册机制集成到 ToolRegistry 中。5. 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。 这是一个多级检索的设计，不同类型的记忆走不同的通道。图 3：记忆与学习闭环 — 五阶段循环 + 三层记忆架构 + 多级检索链路你在项目中用过类似的记忆持久化方案吗？欢迎在评论区聊聊。6. 条消息（通常是 system prompt + 用户初始请求）protect_last_n6保护后 6 条消息（最近的对话上下文）压缩的具体流程：保护头部和尾部：前 N 条和后 M 条消息不动中间部分用辅助模型总结 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
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