- 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？ （而非遵循预设步骤）的系统5：某技术白皮书定义："AI Agent是利用现代生成式AI模型进行规划、数据存取、工具调用、决策制定并与现实世界互动以完成特定功能的自主软件系统"6：基于大语言模型的自主系统能够理解自然语言输入 根据大多数现有定义，它确实符合条件然而包括OpenAI自身在内，大多数人都不这样描述它我们对AI Agent似乎存在一种"看到即知道"的直觉判断为了给认知思路提供指导，我需要更精确的定义因此制定了自己的客观标准 是指能够以独立身份采取自主行动的系统而非作为人类用户的延伸审计日志中记录的责任主体是系统自身还是人类用户决定了该系统的本质是真正的Agent，还是仅作为辅助工具而存在根据这一标准，许多优秀的AI软件并不属于 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
50710编辑于 2025-04-06 - 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,
89210编辑于 2022-03-21 - 来自专栏AgenticAI
LLM Agent标准化互操作协议：Agent Protocol
`GET /threads/{thread_id}/runs/{run_id}`[6] - 获取一个运行及其状态。 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] #tag/runs/POST/threads/{thread_id}/runs [6] GET /threads/{thread_id}/runs/{run_id}:https://langchain-ai.github.io /agent-protocol/api.html#tag/runs/GET/threads/{thread_id}/runs/{run_id} [7] POST /threads/{thread_id}
43510编辑于 2025-03-18 - 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 ,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 : true 3.打包配置 在pom.xml中配置打包信息 <build> <finalName>my-agent</finalName> <plugins>
1.3K10编辑于 2021-12-06 Agent设计模式（6）：Multi-Agent模式——构建多Agent协作系统
在前面五篇文章中，我们探讨了单Agent的各种核心模式： Reactor让Agent懂感知和反应； Planner让Agent会规划； Tool-Use让Agent能调用外部工具； Memory让Agent ▪ 3.1 标准化消息格式 # message_protocol.py from dataclasses import dataclass, field from typing import Any, 间通信的标准化消息""" message_id: str = field(default_factory=lambda: str(uuid.uuid4())) sender: str = 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 开发框架 AutoGen：Multi-Agent框架（微软） CrewAI：Multi-Agent协作框架 Semantic Kernel：微软的Agent框架 实践项目： 代码审查Agent（本文示例
13610编辑于 2026-05-09- 来自专栏AgenticAI
6种AI Agent模式详解
img 特点： 适用于线性或流程简单的任务 所有逻辑与决策均由一个模型内部处理 几乎不需要协调机制 适用场景： 快速原型开发、FAQ 问答机器人、单一功能应用等 2. 适用于按领域或部门划分逻辑的系统 每个监督者管理一组特定任务或智能体 优势： 高度可扩展且结构清晰 各层级具备模块化控制能力 挑战： 实现复杂度较高 层级之间需要明确定义接口 适用场景： 企业级系统、多领域编排任务 6.
1.2K10编辑于 2025-07-27 - 来自专栏Langchain
【LangChain系列6】【Agent模块详解】
一、LangChain1-1、介绍LangChain是一个框架，用于开发由大型语言模型（LLM）驱动的应用程序。 总结： LangChain是一个用于开发由LLM支持的应用程序的框架，通过提供标准化且丰富的模块抽象，构建LLM的输入输出规范，主要是利用其核心概念chains，可以灵活地链接整个应用开发流程。 （即，其中的每个模块抽象，都是源于对大模型的深入理解和实践经验，由许多开发者提供出来的标准化流程和解决方案的抽象，再通过灵活的模块化组合，才得到了langchain）添加描述1-2、LangChain抽象出来的核心模块想象一下 ，如果要组织一个AI应用，开发者一般需要？ 补全（Completion）：补全是指根据用户输入生成标准响应的过程。这可能涉及到生成文本、回答问题或执行特定的任务。上下文（Context）：上下文是指代理在生成响应时需要考虑的额外信息。
2.9K11编辑于 2025-01-13 - 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。 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. 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）。 07 核心特性盘点标准协议：兼容Anthropic Skills协议，跨平台复用；启发式加载：按需加载上下文，避免资源浪费；自主执行：自动分析任务→制定计划→调用脚本；技能管理：批量加载+语义检索，快速匹配技能
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）
二、AIAgent的开发逻辑：从条件到标准，构建可落地的智能体开发一个AIAgent，并非简单的“调用工具+规划逻辑”，而是需要满足核心能力、工程化、标准规范等多方面条件，同时遵循明确的开发标准，才能实现 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”。 （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。 开发一个Agent，需要具备大模型、工具系统、状态记忆、规划反思、安全护栏等核心条件，遵循明确的开发标准，通过“需求定义-架构设计-模块开发-测试优化-部署运维”的流程，实现从0到1的落地。
34310编辑于 2026-05-05- 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XINDOO的专栏
Agent设计模式——第 6 章：规划
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。 规划模式概述 在 AI 的背景下，将规划 Agent 视为您委托复杂目标的专家是有帮助的。 因此，使用规划 Agent 与简单任务执行 Agent 的决定取决于一个问题：是否需要发现"如何"，还是已经知道？ 明确定义了一个 ChatOpenAI 语言模型供 Agent 使用。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。 可扩展性： 它支持模型上下文协议（MCP），使开发人员能够将 Agent 连接到私有知识库和内部数据源，将公共网络研究与专有信息混合。 为什么： 规划模式通过让 Agent 系统首先创建一个连贯的计划来解决目标提供了标准化解决方案。它涉及将高级目标分解为一系列更小的可操作步骤或子目标。
70910编辑于 2025-10-27 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- 来自专栏烂笔头
Python标准库笔记(6) — struct模块
标准大小由格式符确定，下面会讲各个格式的标准大小。 (4) f float float 4 (5) d double float 8 (5) s char[] bytes p char[] bytes P void * integer (6)
1.6K50发布于 2018-03-20 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。 ）跨模态推理（图文关联、音画同步）工具调用（API、数据库、物理设备）自主规划与执行二、技术栈选型主流框架框架特点适用场景LangChain生态丰富，支持多模态模型快速原型、RAG应用AutoGen多Agent 协作，对话驱动复杂任务分解CrewAI角色化Agent，结构化流程业务自动化LangGraph图控制流，状态管理需要精确控制的流程多模态模型选择闭源API：GPT-4V、GPT-4o、Claude 3、 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 2026-04-27Agent开发入门教程
6 层： 用户层：工作台、LangSmith 等入口 2. Agent 编排层：Agent Manager、LangGraph 编排、Agent Factory、FC（Function Calling） 3. 领域能力层：MCP Server、领域 Sub Agent、高阶 Sub Agent 5. 知识与记忆：知识来源、记忆系统（长期/短期） 6. 再接 MCP Agent（复杂交互） 路径：`Top Agent -> 包装工具 -> Sub Agent(LangGraph) -> MCP Server -> 后端服务` 适合：多轮工具调用、 复杂业务规则、需要 Sub Agent 自主推理。
20710编辑于 2026-04-15- 来自专栏AgenticAI
LangGraph发表标准化LLM Agent互操作协议
多 Agent 的挑战 在多 Agent 中，每个 Agent 可能暴露出不同的 API，这使得标准化通信变得困难。 为了克服这一挑战，需要一个统一的通信标准，使得不同 Agent 能够无缝交互，无论它们是基于何种技术构建的。 2. Agent Protocol 的应运而生 Agent Protocol 应运而生，旨在提供一个框架无关的、标准化的接口，用于 Agent 之间互操作通信 ，为多 Agent 通信迈出了可靠的一步。 简化部署和集成：通过标准化接口，开发者可以更容易地将不同的 Agent 集成到他们的应用中，无论是在本地环境还是云端。 它为构建一个更加灵活、高效和互联的代理生态系统提供了基础，使得开发者能够构建更加复杂和强大的应用，同时降低了开发和维护的复杂性。通过代理协议，我们可以期待一个更加开放和协作的人工智能未来。
48510编辑于 2025-03-18 - 来自专栏AIOT
在Jetson上玩转大模型Day17：NanoLLM开发平台(6)：AI Agent功能
于是我们就可以将这里所需要的技术，打包成一个可执行单元，利用参数传递的方式赋予其不同的能力，这就是个agent的雏形。 虽然我们在Llamaspeak项目中只调用nano_llm.agents.web_chat这个agent，但是里面直接包含VoiceChat agent的功能，因此就能直接使用浏览器指定的麦克风与音箱进行对话 一个基于大语言模型的agent基础结构如下：可以看得出要建构一个agent也不是一件简单的事情，这也不是本文的所要传递的重点。 关于AI agent的知识与技术，网上有非常丰富的内容，请大家自行搜索与学习。 对于绝大部分不知道该怎么创建Agent的人来说，真的非常方便，目前NanoLLM已经提供非常充足的Agent插件，当然也允许开发人员自行创建有针对性的插件，去完成特定的工作。
48310编辑于 2024-12-17
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