- 综合排序
- 最热优先
- 最新优先
- 来自专栏技术杂记
Zabbix Agent 安装4
cd script/ [root@zbx-target script]# vim port.discovery.bash [root@zbx-target script]# ll total 4 /bin/bash printf '{"data":[' for i in `netstat -tnl| grep LISTEN|awk '{print $4}'| awk -F ':' '{print
79130编辑于 2022-03-21 Agent开发-Agent Skills总结
WHO（谁负责） Skill 涉及三个角色，职责清晰分离： 角色 负责什么 核心能力 应用层（Agent框架） 技能注册、权限控制、元数据注入、实际执行 确定性、安全性、管理性 LLM 理解元数据、匹配用户意图 、选择技能、按指令执行 语义理解、推理决策 开发者/领域专家 编写 SKILL.md、开发脚本、定义业务规则 领域知识、工程实现 决策分工： • 应用层负责："有什么技能可用"（提供菜单） • LLM 负责："该用哪个技能"（根据菜单点菜） • 开发者负责："技能该怎么做"（写菜谱） ⏰ WHEN（何时使用） 适用场景： 场景类型 示例 是否需要用 Skill 单次、简单任务 查天气、算算术 ❌ Function 激活层 返回 activate_skill 调用 结构化的 tool_calls LLM 4. 指令层 完整 SKILL.md ~2000 token/技能 应用层加载 5. 上下文占用 50,000+ token 10,000 token 5倍节省 响应时间 3-5秒 1-2秒 2-3倍 成本 $0.15/次 $0.03/次 5倍节省 错误率 20% 2% 10倍提升 开发效率
4610编辑于 2026-06-25Agent开发-Agent Skills是什么
Discovery (扫描)：Agent 启动时，只读取 SKILL.md 里的 name 和 description。内存占用极小，只为了“知道有什么”。 2. Agent Skills最大的改变就在于渐进式披露，其本质依然是行业中大家都在不断优化的提示词工程和上下文工程，其对提示词做了标准化拆分，通过在本地创建相关文件并控制文件的读取，只在Agent需要时自主且自动加载内容 反观Skills，Agent 最初只加载多个 Skills 的元数据（每个 Skill 占用几百 token），当 Agent 认为需要使用某个具体的 Skill，就会读取这个 Skill.md 说明（ 几千 token） Skill 里还可以无限嵌套下去，告诉 Agent，想要深入了解某个具体问题，还可以继续读取哪份文件。 官方文档： https://platform.claude.com/docs/en/agents-and-tools/agent-skills/overview
4410编辑于 2026-06-25- 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; /** * @ Manifest-Version: 1.0 Premain-Class: com.java4all.grouth.agent.MyAgent Can-Redefine-Classes: true Can-Retransform-Classes target>1.8</target> </configuration> </plugin> </plugins> </build> 4. :/Users/ityunqing/mycode/grouth/target/my-agent.jar=IT云清 项目启动后，就会看到，在main方法执行前，执行了premain方法。
1.4K10编辑于 2021-12-06 - 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。
81710编辑于 2025-01-23 - 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。 构建依赖图 dependency_graph = self.build_dependency_graph() # 4. 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()
30910编辑于 2026-06-17 - 来自专栏XINDOO的专栏
Agent设计模式——第 4 章：反思
此示例使用 Langchain 库和 OpenAI 的 GPT-4o 模型实现反思循环，迭代生成并优化计算数字阶乘的 Python 函数。 我们使用 gpt-4o 以获得更好的推理。 ## 使用较低的温度以获得更确定性的输出。 llm = ChatOpenAI(model="gpt-4o", temperature=0.1) def run_reflection_loop(): """ 演示多步 AI 反思循环以逐步改进 4. 处理边缘情况：0 的阶乘是 1。 5. 处理无效输入：如果输入是负数，则引发 ValueError。 current_code) if __name__ == "__main__": run_reflection_loop() 代码首先设置环境，加载 API 密钥，并使用低温度初始化强大的语言模型（如 GPT-4o
77810编辑于 2025-10-27 - 来自专栏码匠的流水账
聊聊langchain4j的Agent
序 本文主要研究一下langchain4j的Agent 示例 CustomerSupportAgent customer-support-agent-example/src/main/java/dev/ langchain4j/example/CustomerSupportAgent.java @AiService public interface CustomerSupportAgent { @SystemMessage(""" Your name is Roger, you are a customer support agent of a car rental company /src/test/java/dev/langchain4j/example/CustomerSupportAgentIT.java @Test void should_provide_booking_details_for_existing_booking langchain4j目前暂不支持类似AutoGen或CrewAI中用于构建多智能体系统的"Agent"高级抽象功能，如果需要则可以基于low-level的API去构建。
51710编辑于 2025-03-17 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。 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、 +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
32610编辑于 2026-04-27- 来自专栏每月技术成长
Agent 辅助升级 vuetify 4 with tailwind v4 实践分析
近期发现Vuetify发布4.0版本，同时官方也给出了Vuetifyv4withTailwindv4的示例，正好手头上CNB的NPC额度+Copilotchat额度足够，于是分别通过Codebuddy与 Copilot对于已有的两个Vuetifyv3+Tailwindv4项目进行升级，测试Vuetifyv4及两家agnet能力。 Copilt辅助升级Vuetifyv4withTailwindv4实验条件Copilot+doubao2.0code展开代码语言：TXTAI代码解释1.将vuetify3升级至vuetify42.基于https ://vuetifyjs.com/en/blog/building-with-vite-and-tailwindcss/解决vuetify4与tailwindcssv4兼容性问题4.运行测试5.对整个过程进行总结实验结果 Copilot花费20分钟左右，消耗3724449token，按照blog内容完成了Vuetifyv4withTailwindv4的升级兼容，但几乎所有组件都出现透明度、位置、动画效果等多方面问题。
17010编辑于 2026-04-11 Agent开发：StateGraph vs CompiledGraph
Spring AI Alibaba 项目从架构上包含如下三层： Agent Framework 是一个以 ReactAgent 设计理念为核心的 Agent 开发框架，使开发者能够构建具备自动上下文工程和人机交互等核心能力的 Agent。 Graph graph 是一个低级别的工作流和多代理协调框架，能够帮助开发者实现复杂的应用程序编排，它具备丰富的预置节点和简化的图状态定义，Graph 是 Agent Framework 的底层运行时基座 (var n : processedData.nodes().elements) { nodeFactories.put(n.id(), n.actionFactory()); } // 4. 只能执行，保证运行时稳定性 │ │ 支持并发执行同一个 CompiledGraph │ └─────────────────────────────────────┘ 原因 4:
3400编辑于 2026-06-25Agent开发入门教程
Agent 编排层：Agent Manager、LangGraph 编排、Agent Factory、FC（Function Calling） 3. 工具层：静态工具组（本地注册）+ 动态工具组（按用户配置加载） 4. 领域能力层：MCP Server、领域 Sub Agent、高阶 Sub Agent 5. 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、 Vite `5.x` / Webpack `5.x` Tailwind CSS `3.x` shadcn/ui `latest` element-plus `^2.10.4` antDesign Vue `4. Top Agent 先接 FC 跑通 1 个核心业务场景。 3. 再按业务需要逐步引入 MCP、Sub Agent、RAG。 4. 同步接入日志、Tracing、重试和超时机制。
57910编辑于 2026-04-15Agent开发-MCP是什么
对于 LLM 开发者，MCP 是一个变革性的协议。 它消除了为每个数据源或工具进行定制集成的需要，减少了开发时间和维护成本。 从本质上来说，MCP是一种技术协议，一种智能体Agent开发过程中共同约定的一种规范。 在统一的规范下，协作效率就能大幅提高，最终提升智能体Agent的开发效率。 传统的Function calling技术要求围绕不同的外部工具API单独创建一个外部函数，类似一把锁单独配一把钥匙，而一个智能体又往往涉及到多个外部工具设计，因此开发工作量很大。 4、调用工具 ：通过 Function calling 技术调用所需的外部工具。 一个客户端可以接入多个不同类型的服务器的，但要求是都要遵循MCP通信协议。 VS Function calling Function Calling是AI大模型模型调用函数的机制， MCP是一个标准协议，使大模型与API无缝交互， 而AI Agent是一个自主运行的智能系统，利用
3900编辑于 2026-06-25- 来自专栏DeepSeek 实战工坊
【DeepSeek 实战】打造全能编程助手：DeepSeek V4 Agent 开发与工具调用
打造全能编程助手：DeepSeek V4 Agent 开发与工具调用 摘要: Agent（智能体）是大模型应用的高级形态。 本文详解如何利用 DeepSeek V4 的 Function Calling 能力，构建能够自主调用外部工具的编程助手。 Commit 价值: 将开发者从重复性工作中解放出来，专注于架构设计与核心逻辑 图1：Agent 从代码审查到自动修复的完整流程 DeepSeek V4 强大的 Function Calling 定义工具 Schema 首先，我们需要告诉 DeepSeek V4 有哪些工具可用，以及每个工具的参数格式。 如果有问题，生成修复后的代码并执行验证 4.
48010编辑于 2026-06-03 Agent开发-编程Agent如何重塑工程、产品与设计
PRD（产品需求文档）已死 在 Claude 时代之前，PRD 是软件开发的核心。EPD 的流程通常是这样的： 1. 有人（通常是产品经理）有了一个想法 2. 产品经理写一份 PRD 3. 设计师根据 PRD 制作原型图 4. 工程师将原型图转化为代码 想法 → PRD → 原型图 → 代码 这并非硬性规定（在初创公司这些步骤是融合的，最好的构建者能同时做多项工作），但这是教科书式的开发方式。 现在他们只需要与Agent沟通。这意味着他们仅凭自己就能产生比以往任何时候都大得多的影响力。 2. 编程Agent是刚需 随着编程Agent让实施变得廉价，使用它们成为了一种要求。 （此处原文有图表：糟糕的 PM 使用 AI 产生负价值，优秀的 PM 使用 AI 产生高价值） 4. 系统思考是需要磨练的技能 在一个执行廉价的世界里，系统思考成为了差异化因素。
5200编辑于 2026-06-25Agent开发-对接arthas mcp server
对于Agent的价值，一直抱有怀疑态度，甚至认为未来会不会像大前端一样 别看现在火爆得不行，其实再走到下一个节点，就如前端一样，在裁员批次里面是第一梯队 因为它只是个连接器，一端是大脑LLM，另一端是之前承载业务的平台或专业软件 像一个垂直类专业软件，需要花费很多的资源去培训客户，但如果有了agnet，通过自然语言直接对话，都不需要去学习软件的使用，就能产出相应的结果 有点类似后端程序，可能都不清楚产品前端界面是什么样，开发一个个接口逻辑就行了 在看到arthas也出品了agent，这感觉具象化了，对于arthas 我是实实在在的使用客户。 但有了agent 那就更方便了，什么都不需要，把碰到的问题直接使用自然语言抛给agent，它能帮你分析，帮你执行命令。 相当方便 本来打算学习一下arthas agent，结果agent也没对外开源，只是阿里内部使用。
4210编辑于 2026-06-25- 来自专栏菩提树下的杨过
Agent设计模式学习(基于langchain4j实现)(1) - 基础Agent用法
本文将在langchain4j官方示例基础上(不熟悉langchain4j的朋友，请移步langchain4j学习系列），介绍几个主要模式的用法，今天先来看最基本的Agent如何实现 为方便讨论，先交待一下这一系列的业务背景 - 拥有 4 年软件开发经验，其中最近 2 年专注于 Java 后端开发（Spring Boot、PostgreSQL、Kafka 基础）。 、最基础的Agent示例 1 /** 2 该示例演示了如何实现一个基础Agent(改编自langchain4j官网示例) 3 注意：Agent只有与其他Agent结合使用时才更有用，后续步骤中将展示这一点。 4 如果只有一个Agent，使用 AiService 会是更好的选择。 5 这个基础Agent将用户的个人简介转换成一个简洁而完整的简历。
93310编辑于 2026-01-12 - 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
深度搜索Agent核心问题其实就有两个：怎么把复杂问题拆得合理，以及怎么判断搜索结果够不够用。 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。 所以强烈建议用推理能力强的模型来做Planner，比如GPT-4o、Claude 3.5 Sonnet或者专门的推理模型如o1、DeepSeek-R1等。 计划出问题一般都会是以下几种情况： 目标失败：Agent没完成任务或者完成了但违反了约束条件。 毕竟Agent系统的调试本身就不容易，一上来就搞太复杂容易把自己绕进去。 喜欢就关注一下吧： 点个 在看 你最好看！
1.1K10编辑于 2026-01-12 - 来自专栏人工智能
Agent开发入门：提示词工程
在Agent开发中，提示词经常不是一次性文本，而是由后端模板、用户输入、检索内容、工具返回结果拼接而成。 但我在复杂Agent项目里更常用XML标签。不是因为XML高级。它一点都不高级，甚至有点土。但它清楚。2026年4月，我做过一个高校学情分析系统。 4.角色提示RolePrompting角色提示不是写一句你是专家就完事。说实话，我现在看到你是一名世界顶级专家这种开头，已经有点麻了。角色要写具体。 比如你要写一份Agent开发文档，很多人会直接这样问：展开代码语言：TXTAI代码解释帮我写一份高校学情分析Agent的开发文档，越详细越好。模型确实能写。 里面故意保留了一点我平时开发会出现的东西，比如忘删的console.log，还有注释掉的旧代码。
48031编辑于 2026-06-02 Agent开发-ReactAgent 的工作原理
ReAct（Reasoning + Acting）是一种将推理和行动相结合的 Agent 范式。在这个范式中，Agent 会： 1. 观察（Observation）：接收工具执行的结果 4. Graph 由节点（steps）和边（connections）组成，定义了 Agent 如何处理信息。 (钩子节点)：在关键位置插入自定义逻辑 ReAct Agent 的工作方式其实挺像人类解决问题的过程。 调用 LLM 进行推理（思考过程隐藏，直接输出 toolcall） 工具调用结果 = 调用语言模型(完整提示词, 历史上下文) // 4.
4210编辑于 2026-06-25
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