- 综合排序
- 最热优先
- 最新优先
- 来自专栏技术杂记
Zabbix Agent 安装3
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:on 6:off [root@zbx-target net.if.discovery" {"data":[{"{#IFNAME}":"lo"},{"{#IFNAME}":"em1"},{"{#IFNAME}":"em2"},{"{#IFNAME}":"em3" CPU.NUMBER}":1,"{#CPU.STATUS}":"online"},{"{#CPU.NUMBER}":2,"{#CPU.STATUS}":"online"},{"{#CPU.NUMBER}":3, items ，这些条目的详细解释可以参考 Zabbix agent Zabbix中已经集成了大量的常用监控条目，不用过多配置就可以直接使用
58710编辑于 2022-03-21 - 来自专栏技术杂记
Zabbix Agent 安装3
Average | awk {'print $2'} #UserParameter=swap.out.ps,/usr/bin/sar -W 1 1 | grep Average | awk {'print $3' } UserParameter=mem.used,/usr/bin/free -k | grep + | awk '{print $3}' UserParameter=ps.proc.sum[*],/bin head -n 1 UserParameter=redis.stat[*],/usr/local/bin/redis-cli -h 127.0.0.1 -p $1 info $2 | grep $3: [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:
71750编辑于 2022-03-22 - 来自专栏服务端技术杂谈
AI Agent：模型->工具->结果->模型
Reddit上有人说，AI Agent就是：模型->工具->结果->模型。 从程序员角度来说，就是拼接参数json，调用LLM，处理返回值json。 Agent不只是聊天机器人，还需要工具，所以要先告诉Agent，你有哪些API/工具，这些工具可以做什么。 不需要用什么复杂的框架，基本上只需要串联： 用户输入目标Prompt->将提示词传递给LLM->模型决定下一步->需要工具（API调用、爬取网页、操作API）执行->将结果反馈给模型进行下一步->直到任务完成 即：模型 → 工具 → 结果 → 模型 关于记忆，先用短期记忆，比如最近几条上下文消息。 如果需要跨会话记忆，可以从持久存储获取，比如向量数据库。
13110编辑于 2026-03-11 - 来自专栏python前行者
python爬虫工具：user agent switcher
user agent switcher给我们带来更多的是方便，一次设置好，就不怕每次麻烦的右键检查，设置成手机端的重复性操作了，这对于python爬虫算是一个比较技巧的地方。 安装使用 在火狐的附加组件中输入：user agent switcher 如果找不到入口的话，在火狐浏览器中打开： https://addons.mozilla.org/zh-CN/firefox/search q=user%20agent%20switcher&platform=WINNT&appver=59.0.2 ? 一看这里的搜索结果还是蛮多的，使用的用户还是蛮多的。 最后一步就是在右侧的插件工具栏中选中进行设置就搞定了。 ? 打开京东试试，就成这样的了，很完整的APP客户端 ?
96210发布于 2019-03-25 - 来自专栏人工智能应用
基于 Agent 的股票分析工具
建一个基于 Agent 的股票分析工具或系统，可以采用以下方法和框架，结合 AI Agent 技术与股票市场分析需求，实现选股策略、买卖时机判断、风险控制等功能。 AI Agent 模块：该模块是系统的核心，负责执行选股策略、判断买卖时机、进行风险控制等任务。 3 技术实现框架 可以采用如下技术栈实现： AI Agent 框架：使用 LangGraph 或 AutoGPT 架构，结合 LLM（如 GPT-4、Llama 3、ChatGLM 等）进行多步骤推理。 4 示例代码：基于 AI Agent 的选股策略实现 以下是一个简化的 Python 示例，展示如何使用 LangChain 构建一个基于 LLM 的选股 Agent： from langchain.agents = initialize_agent(tools, llm, agent="structured-chat-zero-shot-react-description", verbose=True) #
1.6K11编辑于 2025-08-01 - 来自专栏老张的求知思考世界
AI Agent Infra领域的工具图谱
因此我才会在前面介绍智能体基础架构的文章中断言道：Agent Infra是Agent落地的关键！因为它涵盖了Agent从开发到部署的完整生命周期。 其中： Environment：提供Agent开发和运行环境，相当于给了Agent一台可自行操作的计算机。 Context：为Agent有效运行提供所需的信息，包括任务相关的背景知识和工具的使用方法。 Tools：使Agent能便捷调用和协作的各类工具，包括各种类型的插件，以实现多样化的任务。 Agent Security：以Agent-native的方式保障Agent的行为与数据在执行过程中的安全与合规。 下面是我查阅很多资料后整理的Agent Infra工具图谱，供大家参考。 一、Environment层 二、Context层 三、Tools层 四、Agent Security层 介绍完AI Agent的基础架构和工具图谱后，下篇文章，我会分享一些对提示词工程的看法，敬请期待
1.1K10编辑于 2025-06-25 - 来自专栏探物及理
RL实践3——为Agent添加Policy
在实践1中，介绍了 动态规划DP 求解 价值函数 并没有形成一个策略Policy\(\pi\)来指导agent的动作选取，本节将利用SARSA（0）的学习方法，帮助agent学习到价值函数(表），指导 Agent的写法 Agent的三要素是：价值函数、策略、模型 Sarsa（0）是不基于模型的控制，其动作选择策略是\(\epsilon\)-greedy，根据价值函数选择动作。 对于一般问题，Agent包括如下功能 对环境的引用 自身变量：Q值，状态值的记忆 策略方法 动作执行方法 学习方法：改进策略，这部分是关键 class Agent(): def __init__ act(self, a): # 执行一个行为 return self.env.step(a) def learning(self): pass # 学习过程 Agent num_episode == max_episode_num: # 终端显示最后Episode的信息 print("t:{0:>2}: s:{1}, a:{2:2}, s1:{3}
61930发布于 2020-09-07 - 来自专栏【腾讯云开发者】
腾讯正式发布面向Agent设计的命令行工具：CloudBase CLI V3
关注腾讯云开发者，一手技术干货提前解锁 我们很荣幸地宣布 CloudBase CLI V3 正式上线，这是一个面向 AI Agent 重新设计的 CloudBase 命令行工具。 01 为什么需要 CLI V3 我们观察到，越来越多的开发者在使用 Claude Code、Cursor、CodeBuddy 等 AI 工具来操作 CloudBase。 tcb api 将整个腾讯云生态收归统一入口，Agent 不需要在不同工具之间切换上下文。 V3 的设计目标是让 tcb 成为 Agent 可以完整操控的接口。 下次让 AI Agent 做一个云上项目，试试完全不打开控制台，看它能走多远。 07 如何使用 V3 的 CLI 工具？ 目前 V3 的 CLI 工具已发布至 npm，你可以通过 npm 安装使用。
16230编辑于 2026-04-14 - 来自专栏A周立SpringCloud
Skywalking系列博客3-Java Agent插件
Java Agent是插件化、可插拔的。 Skywalking的插件分为三种： •引导插件：在agent的 bootstrap-plugins 目录下•内置插件：在agent的 plugins 目录下•可选插件：在agent的 optional-plugins /java-agent/README.md#bootstrap-class-plugins 。 所支持的技术&框架，详见 https://github.com/apache/skywalking/blob/v6.6.0/docs/en/setup/service-agent/java-agent/ 可选插件 关于可选插件的功能描述，可详见 https://github.com/apache/skywalking/blob/v6.6.0/docs/en/setup/service-agent/java-agent
2K30发布于 2020-06-09 - 来自专栏XINDOO的专栏
Agent设计模式——第 3 章：并行化
并行化涉及并发执行多个组件，包括 LLM 调用、工具使用乃至整个子 Agent（见图 1）。 用例： 客户反馈分析 Agent 并行任务： 对一批反馈条目同时执行情感分析、关键词提取、反馈分类和紧急问题识别 优势： 快速提供多维度分析结果 多 API 或工具交互： 调用多个独立的 API 或工具以获取不同类型信息或执行不同操作 研究员 3：碳捕获 researcher_agent_3 = LlmAgent( name="CarbonCaptureResearcher", model=GEMINI_MODEL, _1, researcher_agent_2, researcher_agent_3], description="并行运行多个研究 Agent 以收集信息。" ) ## --- 3.
52010编辑于 2025-10-27 - 来自专栏AI进修生
A2A + MCP = AI Agent 完全体？AI Agent 既能 “单挑” 工具，又能 “群殴” 任务。
简单说，这图告诉我们 AI Agent 跟外界打交道主要靠两个开放协议： MCP (模型上下文协议): 这是 Agent 用来“插上”外部工具、API 和各种企业应用的“接口”。 图里两个 Agent 中间那条线就是 A2A。 MCP 核心是工具和工具集 (用 JSON schema 通信)。 A2A 看起来更关注 Agent 之间的自然语言交流。 所以，它俩分工明确： MCP 是 Agent 跟“非 Agent”的东西（工具、API）打交道的。 A2A 是 Agent 跟“其他 Agent”打交道的。 即 MCP 和 A2A 是两条腿走路，一个负责对内连接工具和资源，一个负责对外连接其他 Agent 伙伴。它俩是互补的，共同构成了连接 Agent 的开放标准体系。 、工具、上下文。
62010编辑于 2025-04-11 - 来自专栏openclaw系列
OpenClaw 插件中的 Agent 工具开发指南
Agent 工具是 OpenClaw 插件向大语言模型（LLM）暴露的可调用函数。 这些工具通过 JSON Schema 定义输入参数，并在代理（agent）运行时按需执行，从而扩展 AI 的能力边界——例如调用本地服务、查询数据库、触发工作流等。 四、工具可见性控制策略除了 allow，OpenClaw 还支持多维度工具策略：配置项作用范围说明tools.allow / tools.deny全局控制所有 agent 的默认工具集agents.list [].tools.allow单个 agent覆盖全局策略tools.profile全局或 per-agent基础 allowlist 模板tools.byProvider按模型提供者为不同 LLM 提供商定制工具集 七、总结通过插件注册 Agent 工具，开发者可以安全、灵活地将外部能力注入 AI 代理流程。
46820编辑于 2026-03-15 - 来自专栏java架构计划训练营
浏览器头User-Agent提取工具
* 获取浏览器对象 * @param request * @return */ private static Browser getBrowser(String agent */ private static OperatingSystem getOperatingSystem(String userAgent) { UserAgent agent (); return operatingSystem; } /** * 解析对象 * @param agent * @return (agent); Browser browser = userAgent.getBrowser(); OperatingSystem operatingSystem = .deviceType(deviceType) .os(os) .osVersion(getOSVersion(agent
91120编辑于 2022-10-27 - 来自专栏CRM日记本
Salesforce实时聊天工具Live Agent介绍
Salesforce Live Agent是原生的Salesforce工具，可让企业和网站的用户实时的进行聊天。 Live Agent是那些客服团队有限但是希望能提供较好的客服回报公司的很好选择，不像电话，一个客服同时只能处理一个来电。利用Live Agent，每个用户可以在同一个屏幕管理多个客服服务。 这些反馈既包含对于工具本身（你下次还会使用Live agent吗？）以及客服的处理效果反馈（此次服务对你有帮助吗？是否解决了你的问题？）。 如果使用调查工具的话，分析范围可进一步增加，可以帮助你衡量你的新的工具以及客服的执行情况等。 ? 你是否需要Live Agent？ —你是否有一个小的支持团队淹没在客户的支持电话中？ 哪些不需要Live Agent？ —支持团队需要完成极其复杂和耗时的故障诊断流程。 —客户支持团队使用像Radian6这样强大的工具来管理来自社交渠道的客户支持。
2.2K20发布于 2019-04-16 - 来自专栏openclaw系列
OpenClaw 插件代理工具 (Agent Tools) 深度指南
需要控制某些高风险工具的权限（按需开启）。配置多 Agent 架构下的工具隔离策略。 一、什么是 Agent Tools？ 基础工具 (Basic Tool)这是最常见的形式。插件加载后，该工具自动对拥有插件权限的 Agent 可用。 ", // 3. 配置层级工具权限可以在两个层级配置：全局层级 (tools)：影响所有 Agent。Agent 层级 (agents.list[].tools)：仅影响特定 Agent，优先级更高。2. ] } } ] }}3.
98320编辑于 2026-03-18 - 来自专栏openclaw系列
OpenClaw 插件中的 Agent 工具开发指南
Agent 工具是 OpenClaw 插件向大语言模型（LLM）暴露的可调用函数。 这些工具通过 JSON Schema 定义输入参数，并在代理（agent）运行时按需执行，从而扩展 AI 的能力边界——例如调用本地服务、查询数据库、触发工作流等。 在全局 tools 或特定 agent 的 tools 配置中，通过 allowlist 显式启用： { "agents": { "list": [ { "id dev-assistant", "tools": { "allow": ["run_pipeline"] } }] } } 重启 Gateway 后，该 agent 七、总结 通过插件注册 Agent 工具，开发者可以安全、灵活地将外部能力注入 AI 代理流程。
59720编辑于 2026-03-16 OpenAI发布全新Agent工具，加速智能体开发
这次OpenAI发布的Agent工具，比之前的GPT-4.5有诚意许多。发布了共五个工具，太长不看版：网页搜索工具：基于GPT-4o模型，实时抓取互联网信息并标注引用来源。 Agents SDK：开源框架支持多Agent协作，可定义角色、工具链及安全策略，适用于客户支持、代码审查等场景。这些Agent工具，本质上可以让开发者能够快速自定义自己的Agent智能体。 此外，OpenAI 还为这些 Agent 工具提供了更强的可扩展性和可配置性，使开发者能够结合自身业务需求，构建更加智能化的自动化助手。 写在最后这次，OpenAI这么快的发布全新的Agent工具，被视为对国产Agent产品Manus的回应。由于Manus因在GAIA测试中超越OpenAI的DeepResearch。 导致OpenAI真的急了，所以立刻发布了全套的Agent制作工具。
73720编辑于 2025-03-12EdgeOne ClawScan：AI Agent安全防护工具概要
一、产品定位与核心亮点 EdgeOne ClawScan是由腾讯朱雀实验室×腾讯云EdgeOne联合推出的AI Agent（文中称“小龙虾”）专用安全防护工具，聚焦AI Agent“高权限、可执行、插件生态丰富 二、产品应用场景 个人用户场景 使用AI Agent作为个人助手、知识问答、任务自动化工具时，面临Skill供应链污染、配置不当致公网暴露、权限滥用引发误操作等风险。 的Skill存在后门指令、恶意代码、凭证泄露等安全缺陷； 安全报告示例（小龙虾案例）：评分75分，配置审计发现4项严重、8项警告问题，Skill检查15个中1个需关注（tavily），隐私泄露风险3项 四、典型案例 客户名称：小龙虾（AI Agent示例） 背景：作为高权限、可执行、插件生态丰富的超级Agent，面临“输入→思考→执行”链路中权限（文件/账号/系统/网络）、技能（Skill执行路径）、 成效：生成安全报告（评分75分），明确配置审计4项严重、8项警告问题，Skill检查15个中1个需关注（tavily），隐私泄露风险3项，版本漏洞无；综合评估需优先修复配置权限、禁用危险标志、审计插件，
31510编辑于 2026-03-31- 来自专栏探物及理
RL实践3——为Agent添加Policy、记忆功能
Agent的写法 Agent的三要素是：价值函数、策略、模型 本节以Sarsa（0）为例，介绍为agent添加policy的方法 Sarsa（0）是不基于模型的控制，其动作选择策略是\(\epsilon if num_episode == max_episode_num: print("t:{0:>2}: s:{1}, a:{2:10}, s1:{3} a:{1:<3} r:{2:<4} is_end:{3:<5} s1:{4:<3}".\ format(self.data[0], self.data 深度强化学习，是深度学习和强化学习的结合，以深度学习的网络作为工具，嵌入到强化学习的框架之下，形成对复杂问题强有力的解决工具。 agent.learning(gamma=0.99, # 衰减引子 learning_rate = 1e-3,# 学习率
1K20发布于 2020-09-10 - 来自专栏Go工具箱
「Go工具箱」解析http中的user-agent，就用这个包：user_agent
「Go学堂」新推出“Go工具箱”系列，意在给大家分享使用go语言编写的、实用的、好玩的工具。 今天给大家推荐一个解析HTTP请求头中user-agent字段的库：user_agent 。 项目地址 https://github.com/mssola/user_agent 相关知识 user-agent 一、User-Agent是什么 User-Agent叫做用户代理，是HTTP 三、安装user-agent包 使用go get进行安装： go get github.com/mssola/user_agent 四、user-agent包的基本使用 我们看下user-agent 但同时需要考虑各种user-agent中的细微差别。所以该包不仅仅是一个简单的封装，而是需要具有对user-agent在各平台、各种场景下的深入了解才能做到的。 / ---特别推荐--- 特别推荐：一个专注go项目实战、项目中踩坑经验及避坑指南、各种好玩的go工具的公众号。
2.6K10编辑于 2023-01-31
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