- 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
72230编辑于 2022-03-21 - 来自专栏喔家ArchiSelf
AI 驱动的数据分析：Data Agent
AI 驱动的数据分析 我们能够利用AI来解决数据领域的一些基本问题。现在有很多工具可用，要么提供可以与数据集成的解决方案，要么提供可以从头开始构建的方案。 AI驱动的数据分析方案大致分为两个方向：查询来自数据库或文档等来源的数据和从已经存在的报表中检索数据。 通过Data Agent 的 API ，我们可以构建自己的 UI，并向用户提供有价值的见解。 4. AI驱动数据分析的收益 那么，谁能从这样的AI解决方案中受益呢？ 此外，Data Agent 还支持团队协作与知识共享，确保数据安全与合规性，为数据团队提供可靠的技术支持，助力数据驱动决策。 Data Agent 还能自动分析业务数据，识别关键趋势和异常，提供 actionable insights，帮助用户快速做出数据驱动的决策。
2.5K11编辑于 2025-03-17 - 来自专栏人工智能领域
京东物流营销 Agent：智能驱动，物流新篇（1330）
在物流营销的宏大版图中，京东物流 Agent 扮演着多重关键角色。 自然语言处理技术也是京东物流 Agent 的重要组成部分，它使 Agent 能够与客户进行自然流畅的交互。 此外，深度学习技术在京东物流 Agent 中也有广泛应用。 ") 案例二：物流配送路径优化代码示例（简单模拟） python # 模拟物流配送点坐标和距离矩阵 delivery_points = { 'A': (0, 0), 'B': (3, 4) , 'C': (6, 0), 'D': (9, 4) } # 计算两点之间的距离（简单的欧几里得距离） def distance(point1, point2): x1, y1
1.3K11编辑于 2024-12-27 - 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
58610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。
44010编辑于 2025-03-17 - 来自专栏深度学习与python
从“人驱动”到“模型驱动”：聊聊 Agent 在 2025 年的爆发与挑战
，Extensions 这种与模型一起驱动的模式，在集团内都有不小的应用，也遇到了不少问题。 彼时的我对于如何实现极端自动化并没有清晰的答案，主要是我没有理清一些关键问题应当如何解决，但随着多模态模型的能力，以及 Resoning 模型能力的逐步强化，我认为我们可能来到了从“人驱动”到“模型驱动 询问 GPT-4o 一亿以内最大的质数这个问题，它没有经过思考直接给出的是一个错误数字。 而自 Devin 以来，人们开始深刻理解了“模型驱动”的真正意义。 Devin 通过模型驱动能够自主地进行规划任务、反思、使用工具、联网等活动。 然而，对于“模型驱动”的 Agent 产品来说，模型能力方面的挑战更为艰巨。
49010编辑于 2025-04-07 - 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。
12610编辑于 2026-04-11 2026年LLM Agent对比传统Agent终极指南：从规则驱动到认知革命
从实验室到生产线，从辅助工具到可信伙伴，这场从“规则驱动”向“认知驱动”的范式革命正在重构AI的未来。 02 架构重塑：认知驱动的系统进化两种Agent的根本区别在于其底层架构与核心“驱动力”，这是一次系统设计哲学的根本转变。 交互与协作方式：传统Agent多为一对一简单交互；LLM Agent支持多智能体协作，多个Agent可分工协商，共同解决宏大问题，开启“数字团队”工作模式。 智能体正成为驱动互联网行业深层变革的核心引擎，不再只是提升效率的工具，而是推动业务模式、产品形态和交互方式全面重塑的关键力量。 重点关注那些能深度整合行业知识、无缝对接内部系统（如CRM、ERP）、且行为透明的解决方案，将AI从成本中心转化为驱动核心业务增长的生产力引擎。
98631编辑于 2026-01-20基于Agent驱动的工作流开发模式探索
）交替驱动流程的推进。 Agent驱动的工作流开发模式 Agent驱动的工作流开发模式并非简单地将Agent视为BPMN图中的一个“服务节点”，而是将其视为工作流的底层框架（Foundation），甚至是流程本身的运行时（Runtime 构建Agent驱动的工作流框架的核心概念 本来我想要写如何实现一个Agent驱动的工作流框架的，但是由于时间原因，以及篇幅所限，我打算下次再写一篇单独的实战篇来写。 一切皆工具调用 在Agent中，虽说什么规划、反思之类都很重要，但是所有的一切，都要落到“工具调用”这4个字上。 结语 本文介绍了一种基于Agent驱动的工作流开发模式，它和传统工作流开发模式有着非常大的范式差异。
42510编辑于 2025-12-29CLI-Anything: 让所有软件都能被 Agent 驱动
2.AI/ML 平台与开发工具：可以通过结构化命令驱动模型训练、推理流程，或串联 CI/CD 开发部署工具，极大提升研发与数据流转的自动化效率。 或你自己的应用）•支持的 AI 编程工具之一：Claude Code[1] | OpenClaw[2] | OpenCode[3] | Codex[4] | Qodercli[5] | 更多平台[6] 实现 — 构建 Click CLI，包含 REPL、JSON 输出、撤销/重做4. 规划测试 — 生成 TEST.md，涵盖单元测试和端到端测试计划5. 编写测试 — 实现完整测试套件6. 、Joplin、Logseq、Penpot、Super Productivity AI/ML 平台 用结构化命令驱动模型训练、推理流水线和超参搜索 Stable Diffusion WebUI、ComfyUI 4.Agent 原生设计 — 每个命令内置 --json 参数，输出结构化数据供 Agent 消费，同时可读的表格格式服务于交互调试。
36510编辑于 2026-04-09- 来自专栏腾讯云TVP
o3 deep research: LLM 驱动的 Agent 综述
在这种背景下，由 LLM 驱动的 Agent（智能代理）概念逐渐兴起，成为 AI 技术爱好者和产业从业者共同关注的前沿方向。 Agent 关键技术能力要让 LLM 驱动的 Agent 真正拥有自主解决问题的能力，背后涉及多项关键技术和架构设计。 OpenAI（GPT-4 Turbo）：作为引爆本轮热潮的OpenAI，在Agent方面的布局主要体现在为其通用模型赋能工具使用和多模态能力上。 目前，GPT-4 已被广泛用于开发各种自主代理实验，如开源的 Auto-GPT 就是基于 GPT-4 API 实现，让 AI 连续自主执行用户给定目标的一系列操作。 2025 年 Agent 发展趋势展望未来，LLM 驱动的智能代理技术在 2025 年及以后有几大值得期待的发展方向：1.
1.1K00编辑于 2025-03-08 - 来自专栏云原生应用工坊
从 SSHSCP 到 AI 驱动的 OPS Agent：能力清单
要实现“AI 驱动的 OPS Agent”，需要从数据采集、存储建模、可观测与告警、到知识化与闭环治理逐步构建。 三、智能化与 AI 驱动层目标：将运维经验与历史案例转化为可检索、可推理的知识体系。 必备 pgvector：在 PG 中存储文档/日志/事件的向量嵌入，支持语义检索。 进阶 闭环 OPS Agent：自动基于告警触发分析，生成变更建议或 PR，走 GitOps 审核通道，实现 AI 驱动的自愈与 跨域数据融合：结合 CMDB/资产/成本信息，形成完整的“配置—运行— 进阶阶段：引入 AI（pgvector + RAG + OPS Agent），将历史知识与实时观测结合，驱动自动诊断与闭环优化。 决策与验证：SLO/错误预算驱动 必备｜SLO/SLI 定义：可用性、延迟（p95/p99）、错误率，窗口与目标。 必备｜验证门：变更前后 5–10 分钟指标对比（降幅阈值、误报抑制、回滚判据）。
34210编辑于 2025-08-23 - 来自专栏云原生应用工坊
如何设计 AI 驱动的 OPS Agent：技术架构探索
执行摘要（Executive Summary） 愿景：将传统“脚本驱动运维”升级为“数据 + 知识 + 策略 驱动的 自适应 OPS Agent”，以最小化人工干预、最大化可审计与可回滚为原则，实现从观测 数据驱动：连续聚合/图谱/向量检索/LLM RAG 多模态协同决策。 渐进自治：Autonomy L0→L3（只建议→需要审批→条件自动→全自动）。 correlates-> Observation Experiment -scopes-> Environment Verification -verifies-> {Plan|Experiment} 4. AI Agent Workflow 阈值机制 θ（分析置信度阈值）： 结合统计显著性、图谱证据、向量相似度、LLM 自信度。 观测与治理（Ops of the Agent） 自监控： 队列积压（ops.
50110编辑于 2025-08-27 - 来自专栏A周立SpringCloud
Skywalking系列博客4-Java Agent配置
deleteByIds和deleteByQuery） false plugin.solrj.trace_ops_params 如果为true，则跟踪Solr请求中的所有操作参数 false plugin.light4j.trace_handler_chain 如果为true，请跟踪Light4J的请求的所有中间件/业务handler。 将被忽略） 未设置 Java Agent配置方式 agent配置有多种姿势，上面修改 agent.config 文件中的值，只是其中一种。下面专门探讨agent支持的配置方式。 :/opt/agent/skywalking-agent.jar=agent.service_name=你想设置的值 -jar somr-spring-boot.jar 系统环境变量 agent.config 例如，agent.config 中有如下内容 agent.service_name=${SW_AGENT_NAME:Your_ApplicationName} 这说明Skywalking会读取名为 SW_AGENT_NAME
2.5K20发布于 2020-07-07 - 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
、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。 \n- 使用Spring Boot和PostgreSQL构建后端服务，并集成Kafka进行事件驱动通信。 57 - 使用Spring Boot和PostgreSQL构建后端服务，并集成Kafka进行事件驱动通信。
65110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！
75310编辑于 2026-01-12 - 来自专栏云原生应用工坊
如何设计 AI 驱动的 OPS Agent：漫谈状态机
Analyst / Sensor / Librarian：把入口从“人工”扩展到“信号驱动”，把 Planner 从模板升级为基于证据的拟合。3. `evt.analysis.findings.v1` - `cmd.plan.generate / cmd.gate.eval / cmd.exec.run / cmd.verify.run`---4. template":"k8s.rollout.canary"}'# Planner 发 evt.plan.proposed.v1 → Orchestrator 判定 plan_ready → WAIT_GATE# 4) 4) 守卫松紧：先宽后紧，避免卡死；策略统一在 Gatekeeper。5) 可观测：先打指标，再写业务；没有指标就无法排障。13. 其余模块要么被它的命令驱动，要么把“事实事件”交还它，由它来改变世界。LLM 负责提出“更好的方案”，而不是亲自“按下回车”。
49510编辑于 2025-09-02 - 来自专栏Opensoure翻译
4步让你驱动Kubernetes【Containers】
在本系列的第三篇文章中，我介绍了Kubernetes的基础知识：首先学习如何驱动，我强调您应该学会驱动Kubernetes，而不是构建它。 在第四篇文章中，我将分享一些工具，这些工具将帮助您学习快速驱动Kubernetes。 1. Katacoda Katacoda是最简单的手动测试Kubernetes集群的方法。 4. Visual Studio代码 我最后保存了我的最爱之一。 我的大部分工作都使用vi，但我从未为Kubernetes找到一个好的语法突出显示和代码完成插件（如果有，请告诉我）。 当您第一次学习驱动Kubernetes时，这是非常好的。 您可以构建Pod，服务，复制控制器，部署等。 结论 这四个工具（如果算上这两个插件，则为六个）将帮助您学习驱动Kubernetes，而不是构建或装备它。
2K00发布于 2019-11-12 多Agent系统驱动智慧空间运营效率全面提升
腾讯云联合生态伙伴构建多Agent智能解决方案 腾讯云联合华宇佳业、糖果科技推出基于多智能体架构的智慧空间联合解决方案。 技术底座采用腾讯混元大模型、ADP智能体平台及云原生架构，结合华宇佳业的行业智能体定制化能力，针对政策、招商、空间三大场景提供专项智能体服务： 政策撰写智能体：通过多Agent意图判断与智能切换，实现政策检索 、企业准入判断和申报书自动化撰写 个性化招商智能体：通过实时交互智能体与多轮沟通机制，提升空间需求匹配精度 改造推荐智能体：通过精准需求识别与智能方案生成，优化空间改造响应效率 量化成效验证智能驱动转型价值 实现跨场景服务质量的通用一致性 申报周期缩短：材料撰写周期缩减40%，从平均14天压缩至8天内 招商效果改善：企业空间需求与园区场地匹配精准度提升至90%（传统模式约50%），优质企业入驻转化率提升，园区空置率降低25% "多Agent
15610编辑于 2026-04-15- 来自专栏开源FPGA
基于FPGA的4x4矩阵键盘驱动调试
FPGA驱动4x4矩阵键盘。这个其实原理是十分简单，但是由于博主做的时候遇到了一些有意思的情况，所以我个人觉得值得记录分享一下。 首先找了本书看了下矩阵键盘的驱动原理，一般来说4x4矩阵键盘的原理图如下，有四根行线和四根列线，行选通和列选通可以确定键盘上的一个位置。 其他按键类似，就是利用这个原理来驱动矩阵键盘。 ? ，而这个地方加不加其实和驱动开发板的构造有关，据我了解，有些单片机的I/O引脚会内置上拉电阻，默认情况下是高电平，所以用这些单片机驱动是不需要加上拉电阻的。 在引脚约束在电平为3.3v时加上pull up，可以等下出相当于10.8k欧姆的电阻这和矩阵键盘的驱动原理是完全相符。 ?
1.4K20发布于 2018-08-20
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