- 综合排序
- 最热优先
- 最新优先
- 来自专栏程序设计
AI Agent的检验标准
大量混淆定义关于"Agent"的定义，我始终在思考的问题是：ChatGPT代码解释器是否符合该定义下的Agent标准？ 2：我们内部使用的定义是："能够在现实世界（包括物理和数字领域）中执行并完成长期开放性任务的人工智能系统"3：应用的Agent性越强，大语言模型对程序控制流的决策权就越大4：AI Agent 是能够自主规划并使用工具达成目标 经过编程能在自主循环中运作的LLM系统需满足：1-规避能力范围外的操作；2-具备循环终止判断机制开始思考关于什么是"AI Agent"，目前存在大量混淆定义但也有一些共识：Agent必须是AI驱动的系统它们需要具备一定程度的自主性 规划能力和可靠性这三者似乎并非当前LLM的核心优势工作流系统的本质争议：关于"工作流是通过预定义代码路径编排大语言模型与工具的系统"这个定义其准确性存疑：现代工作流系统本质上具有高度动态性，能够自主决定流程与工具使用开发者甚至能编写支持代码实时评估的工作流 ：脚本驱动，利用LLM执行智能操作类型2-Agent：大语言模型驱动，辅以脚本与工具，可能仍需人工介入类型3-Agent：建造时光机执行终结任务（开个玩笑，此处指具备完全自主意识与行动能力的终极形态）
50710编辑于 2025-04-06 - 来自专栏中国白客联盟
Havoc Framework C2 Agent开发记录
授权转载 背景 Havoc是一个现代的、可塑性的开发后命令和控制框架，适用于渗透测试人员、红队和蓝队。它是Github上的免费开源软件，由Paul Ungur（C5pider）编写和维护。 Custom Agent(自定义) 在Havoc Framework的Github主页上，提供了4个Agent的样例： 观察了一下源代码以后，发现这些Agent全部都不兼容Linux、MacOS，本文介绍一下如何开发跨平台 要学习Havoc Agent的开发，可以先参考：https://codex-7.gitbook.io/codexs-terminal-window/red-team/red-team-dev/extending-havoc-c2 第三方Agent注册以后，发送的数据都是固定的结构，每次数据发送到C2监听端口，会检查4个字节的（Magic Value）魔数： （CALLBACK DATA）回调数据会被TeamServer发送到 ： C2 > shell_script powershell.exe /local/path/to/file.ps1 C2 > shell_script /bin/bash
2.9K10编辑于 2023-10-20 - 来自专栏AgenticAI
LLM Agent标准化互操作协议：Agent Protocol
请参阅完整的 OpenAPI 文档这里[1]，以及 JSON 规范这里[2]。 LangGraph 平台[3] 实现了该协议的超集，但我们非常欢迎社区中的其他实现。 参考资料 [1] 这里:https://langchain-ai.github.io/agent-protocol/api.html [2] 这里:https://langchain-ai.github.io /agent-protocol/openapi.json [3] LangGraph平台:https://www.langchain.com/pricing-langgraph-platform [4] GET /threads/{thread_id}/runs:https://langchain-ai.github.io/agent-protocol/api.html#tag/runs/GET/threads /{thread_id}/runs [5] POST /threads/{thread_id}/runs:https://langchain-ai.github.io/agent-protocol/api.html
43510编辑于 2025-03-18 - 来自专栏Python
理解 Agent2Agent(A2A)、Agent to Agent和链式函数调用的区别与联系
在构建 AI 智能体系统或多模块任务执行架构时，我们常会遇到三个关键术语： Agent to Agent 链式函数调用 Agent2Agent (A2A) 它们看似类似，甚至常被混用，但实际上分别属于不同的抽象层次 (A2A)│ ← 架构范式（设计） └─────────────────┘ 这意味着： 链式函数调用是编程行为 Agent to Agent是通信语义 Agent2Agent (A2A) 是系统设计理念 两个 Agent 间的信息传递行为 多智能体协同、机器人通信 Agent2Agent (A2A) 系统架构层 一个 Agent 主动调用其他 Agent 协作解决问题 LLM Agent 编排、AutoGen 、Qwen-Agent 三、类比理解：函数 vs 人 vs 智能体 类比对象 说明 链式函数调用 像开发者写死流程：a().b().c() Agent to Agent 像两个人对话、互发信息，协作完成任务 Agent2Agent 像一个“项目经理型 AI”会调度多个“专家型 AI”组成动态团队，解决复杂任务 类比一句话总结： 链式函数调用像拼装生产线，Agent to Agent像员工交流，而Agent2Agent
1.1K10编辑于 2025-07-10 - 来自专栏深度学习与python
Agent 时代的 HTTP 来了？谷歌 A2A 开源协议打破企业间 Agent 壁垒，OpenAI 系缺席标准之战
Agent2Agent 协议旨在实现不同平台和生态中的 AI 智能体之间的安全、标准化协作，无论它们基于何种框架或由哪家公司构建。协议的核心目标是打通智能体间的互操作性，支持跨平台、多模态的协同工作。 AGNTCY 由思科、LangChain、Galileo、LlamaIndex 和 Glean 联合开发，旨在创建代理之间的标准通信方式。 LangChain 也是 Agent2Agent 的合作伙伴，它开发了 Agent Protocol。微软更新了其 AutoGen 框架，以帮助创建可互操作的智能体。 甚至谷歌也通过其新的智能体开发工具包（Agent Development Kit）增加了对 MCP 的支持。Surapanenin 保证 A2A 将与 MCP 并行运行。 对于考虑构建 MCP 服务器的开发者，该评论者建议审慎考虑，因为 A2A 规范在定义上更为完善。
85710编辑于 2025-04-13 - 来自专栏IT云清
java agent开发
本文主要记录下如何创建一个简单的java Agent，并配置运行。 1.创建Agent类 package com.java4all.grouth.agent; import java.lang.instrument.Instrumentation; /** * @ description: java Agent * @author: IT云清 */ public class MyAgent { public static void premain(String Instrumentation instrumentation) { System.out.println("This is MyAgent,args:"+agentArgs); } } 2. MANIFEST.MF 配置文件 这里在src/main/resources/META-INF/下创建一个MANIFEST.MF文件，指定Agent class和版本相关信息。
1.3K10编辑于 2021-12-06 - 来自专栏技术杂记
Zabbix Agent 安装2
script]# 默认情况下 zabbix_agentd 会监听在 0.0.0.0:10050 上面，所以要将防火墙打开，以方便与zabbix server之间的通信 ---- 启动zabbix-agent [root@zbx-target zabbix]# /etc/init.d/zabbix-agent start Starting Zabbix agent: S 16:11 0:00 \_ zabbix_agentd: listener #2 [waiting for connection] zabbix 26129 0.0 0.0 77336
88810编辑于 2022-03-21 - 来自专栏技术杂记
Zabbix Agent 安装2
S 17:02 0:00 \_ zabbix_agentd: listener #2 [waiting for connection] zabbix 26933 0.0 0.0 77388
61720编辑于 2022-03-22 - 来自专栏技术杂记
Zabbix Agent 安装2
zbx-target zabbix]# /etc/init.d/zabbix-agent start Starting Zabbix agent: S 16:11 0:00 \_ zabbix_agentd: listener #2 [waiting for connection] zabbix 26129 0.0 0.0 77336 0:off 1:off 2:off 3:off 4:off 5:off 6:off [root@zbx-target zabbix]# chkconfig zabbix-agent on [ root@zbx-target zabbix]# chkconfig --list | grep zabbix zabbix-agent 0:off 1:off 2:on 3:on 4:on 5 CPU.NUMBER}":0,"{#CPU.STATUS}":"online"},{"{#CPU.NUMBER}":1,"{#CPU.STATUS}":"online"},{"{#CPU.NUMBER}":2,
68020编辑于 2022-03-22 - 来自专栏【腾讯云开发者】
MCP VS A2A，谁才是Agent的未来事实标准？
关注腾讯云开发者，一手技术干货提前解锁 01、MCP MCP（Model Context Protocol）由Anthropic推出，标准化AI与外部工具/资源的交互，如数据库、API调用，增强智能体能力 02、A2A A2A（Agent-to-Agent）是谷歌开发的智能体协作协议，支持跨平台任务分配与通信，实现多智能体动态协作。 这些概念本质上都是普通服务开发中常见的概念，这说明AI Agent开发与传统服务开发具有相同的底层逻辑。 路径 1，其实就是一个标准的 A2A 调用，和 MCP 没有一点关系。 路径 3：A2A 只管Agent 之间调用，任何涉及工具操作，都需要通过 MCP Server 调用。 相比而言，A2A Agent 选 Server 可以由代码选择，也可以和 LLM 混合，A2A 对于模型商，应用开发者都更友好。
1.4K12编辑于 2025-04-30 - 来自专栏前端小羊
需求理解agent开发
要开发一个能深入理解项目的智能体（Agent），需要考虑多方面的项目理解和推理能力。 扫描项目结构 project_structure = self.scan_project_structure() # 2. 个文件包含依赖引入 """ return report四、使用示例 # 使用智能体分析项目 if __name__ == "__main__": # 初始化智能体 agent = ProjectUnderstandingAgent("/path/to/your/project") # 生成完整分析报告 report = agent.generate_report () print(report) # 获取详细的项目理解 project_understanding = agent.understand_project()
25010编辑于 2026-01-26 AI代码溯源标准：Agent Trace规范草案详解
某AI代码助手开发商发布Agent Trace开放规范草案某AI代码助手开发商发布了Agent Trace规范草案，这是一项旨在标准化软件项目中AI生成代码溯源方式的开放规范。 Agent Trace旨在以一种结构化、可互操作的方式捕获这种上下文。Agent Trace是一种数据规范，它使用基于JSON的“跟踪记录”来将代码范围与背后的对话和贡献者关联起来。 来源：https://agent-trace.dev/该规范在设计上对存储方式保持中立。某开发商并未规定跟踪记录应存储于何处，允许实现者将其存储在文件、git notes、数据库条目或其他机制中。 Agent Trace作为一份RFC，欢迎反馈，并有意留下了一些未解决的问题，例如关于合并、变基和大规模AI驱动变更的处理。 某开发商将此提案视为一个起点，一个共享标准的开端，而非完整的解决方案，尤其是在AI助手在软件开发工作流程中日益普及的背景下。FINISHED
31410编辑于 2026-02-07Agent Skills 正让99%的AI开发标准化
Agent Skills给出了答案——它是一套标准化的文件夹规范，能快速打包Agent完成任务所需的一切资源，让技能开发、共享和执行变得简单高效。01 什么是Agent Skills？ Agent Skills 是一套给AI安装的“标准化技能包”。 05 MS-Agent框架实践基于Anthropic协议的MS-Agent框架，让技能开发和运行变得开箱即用。1. 安装步骤# 方式1：直接安装pip install 'ms-agent>=1.4.0'# 方式2：源码安装git clone git@github.com:modelscope/ms-agent.gitcd 1.Agent Skills vs MCPAgent Skills：专注于任务的知识与工具打包，是标准化的技能单元；MCP：专注于任务执行的流程控制，负责具体操作（如SQL查询）。
13210编辑于 2026-05-08从工具到数字员工：AI Agent 全景解析（市场现状 + 开发标准 + 协作逻辑）
结合行业内开发经验与技术标准，我们从“必要条件、开发标准、核心流程”三个维度，详细拆解Agent的开发逻辑，让大家清晰了解“开发一个Agent需要做什么、怎么做”。 2.安全与护栏条件：确保Agent可控可管AIAgent具备自主决策与行动能力，若缺乏安全管控，可能出现越权调用、数据泄露、有害输出等问题，因此安全与护栏是Agent开发的必备条件。 （二）AIAgent的开发标准：从定义到验收，确保落地质量开发Agent不仅需要满足必要条件，还需遵循明确的开发标准，避免出现“边界模糊、流程混乱、质量不达标”等问题，以下从任务定义、架构设计、功能验收 、协作标准四个维度，明确Agent的开发标准，确保开发出的Agent能够满足实际需求。 2.架构设计标准：四层解耦，便于维护与扩展Agent的架构设计需遵循“四层解耦”原则，确保各模块独立、可扩展，核心架构分为四层（从上层到下层）：用户层，负责接收用户目标、输出执行结果，适配不同的交互场景
34310编辑于 2026-05-05- 来自专栏Agent大模型工坊
Windows搭建Agent开发平台-WSL2+Dify本地部署及开发指南
本指南通过使用WSL2（Windows Subsystem for Linux 2）与Dify构建本地化的AI应用开发平台。 WSL2提供了完整的Linux内核支持，可流畅运行Docker及相关容器化工具。在WSL2中安装Docker后，可像在纯Linux下那样运行容器，大幅简化部署流程。 （二）核心组件解析Dify：可视化LLM应用开发平台Dify是开源的 LLM 应用开发平台，提供从 Agent 构建到 AI workflow 编排、RAG 检索、模型管理等能力，轻松构建和运营生成式 提供了简洁的界面和多元化的功能模块，让开发者可以快速组合大模型与数据，创建自己的聊天助手或智能流程。内置了丰富的插件和工作流机制，可整合多种大模型与外部API。 WSL2：Windows原生Linux子系统可让Windows 10/11用户直接运行Linux二进制程序，实现近乎完整的Linux开发体验。对比WLS1具备更优的I/O性能及系统兼容性。
5.2K21编辑于 2025-02-11 - 来自专栏FunTester
Java Agent 开发初探
Java Agent 概况 简介和功能 Java Agent是一种特殊的Java程序，允许开发者在 Java 应用程序运行时对其进行动态修改和监控的机制。 那么，我们如何开发一个 Java Agent 呢，下面我们来仔细说说。 开发 Java Agent 需要遵循一下规范，下面是几个必备的部分： 实现 premain 方法 premain 方法是 Java Agent 的入口点，类似于主程序的 main 方法。 实用案例 性能监控 Java Agent技术在性能监控领域的应用非常广泛，它可以帮助开发者实时监控应用程序的运行状态，识别性能瓶颈。 漏洞扫描：Agent可以集成漏洞扫描工具，对应用程序进行深度的安全检查，及时发现并修复安全漏洞。 性能影响 开发Java Agent时，性能影响是一个需要特别关注的问题。
69310编辑于 2025-01-23 - 来自专栏用户8734432的专栏
Zabbix-agent2安装
Agent2安装： 1.关闭防火墙 sed -i 's/SELINUX=enforcing/SELINUX=disabled/' /etc/selinux/config systemctl disable -y 5.查看命令 ls -l /usr/sbin/zabbix_agent2 -rwxr-xr-x. 1 root root 17608104 Apr 26 16:27 /usr/sbin/zabbix_agent2 6.启动客户端 systemctl enable --now zabbix-agent2 7.配置agent2配置文件 找到Server、ServerActive、Hostname并对应填进去 vi =oracle11g(主机的名字) 显示刚刚修改的内容命令 grep -Ev '^#|^$' /etc/zabbix/zabbix_agent2.conf 8.最后重启zabbix-agent2 systemctl restart zabbix-agent2
1.1K10发布于 2021-07-14 01：开发流程标准
为什么第一篇写开发流程标准呢？ 背景：在不熟悉一个研发团队不知道一个开发流程的标准，甚至没有一个标准的时候，镜像版本、服务名称如何定，这都是一门学门，当然每个公司的研发流程都有自己的标准，我则偏向运维方面。 master分支：不能在该分支进行开发，且永远是支持稳定版本。合并其他分支过来的时候，则说明新的一个稳定版本发布。 develop分支：该分支是永远是开发中的最新代码，该分支可延伸其他分支，不能直接在该开发，负责MR合并。 feature分支：该分支是从develop分支衍生出来的新分支，并且建议命名为：featrue/xxx-xxx,最好这个分支是表面是什么功能，因为这个分支表示的是功能开发，开发完之后MR合并到develop
16310编辑于 2025-11-13Agent 记忆系统的标准方案为何失效剖析
开发者Rohit面试失败后，开始深入研究Agent记忆系统，最终构建出生产级方案。核心洞察：记忆是基础设施，不是功能。 标准方案为何失效方案一：对话历史塞入上下文10轮对话后，上下文窗口填满，系统开始截断旧消息。结果？Agent忘记了用户是素食者。问题根源：对话历史不是记忆，只是聊天日志。 Agent幻觉出错误的综合答案。问题根源：Embedding衡量的是相似性，不是真实性。向量数据库不理解时间、上下文或更新。短期记忆：Checkpointing每个Agent作为状态机运行。 Agent当操作系统，不是聊天机器人：RAM：当前对话的快速易失上下文硬盘：持久化、索引化的知识存储垃圾回收：定期维护，否则系统崩溃总结记忆系统的关键在于：不是存储，而是组织和衰减。 像操作系统管理内存一样管理记忆，Agent才能长期可靠地工作。
14110编辑于 2026-02-12多模态Agent开发实战
多模态Agent开发实战入门一、什么是多模态Agent？多模态Agent是指能够同时处理和理解多种类型数据（文本、图像、音频、视频等）的智能体，并能基于这些理解执行任务、做出决策。 Gemini Pro Vision开源模型：LLaVA、Qwen-VL、CogVLM2、MiniGPT-4三、关键技术难点与解决思路难点解决方案多模态对齐使用CLIP等预训练对齐模型；设计跨模态注意力机制长上下文处理分段处理 +摘要；滑动窗口注意力实时性要求模型量化（GPTQ/AWQ）；边缘端部署（ONNX/TensorRT）工具调用准确性结构化输出（JSON模式）；ReAct模式循环验证多Agent协作冲突引入仲裁Agent ；明确角色分工（如CrewAI的Process）四、项目实践路线第1周：掌握基础API调用（GPT-4V或Qwen-VL）→ 完成图文问答第2-3周：集成LangChain → 构建可调用工具（搜索、计算 、数据库）的Agent第4-5周：添加记忆模块 → 实现多轮对话上下文保持第6-8周：多模态RAG → 图片库检索 + 文档问答进阶方向：视频流理解、语音交互、多Agent协同
19610编辑于 2026-04-27
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