- 综合排序
- 最热优先
- 最新优先
- 来自专栏技术杂记
Zabbix Agent 安装5
这个脚本是用来进行端口发现的，作为基础服务提供给其它监控条目使用 Note: zabbix用户要有这个脚本的执行权限，因为实际信息收集过程中，是以zabbix这个用户的身份进行的 [root@zbx-
84410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。 对于ad hoc 请求可以秒级响应 5.
2.5K11编辑于 2025-03-17 5种大模型Agent模式
大模型中的5种AI Agent模式在大模型中，AI Agent（人工智能代理）模式是一种重要的应用方式，可以从以下几个方面来理解：1. 定义与概念AI Agent 是一个自主运行的智能体，它能够感知环境、做出决策并采取行动以实现特定目标。 执行与反馈：AI Agent 按照规划的步骤执行操作，并将结果反馈给用户。如果任务未完成或出现问题，它会根据反馈调整策略，重新尝试或寻求帮助。 下面介绍5种常见的AI Agent模式：1. 5. 多智能体模式（Multi-agent Pattern）正在上传图片...核心架构： 角色分工： 项目经理代理（PM agent）：协调任务分配（Delegation）。 技术负责人（Tech lead agent）、开发运维（DevOps agent）、工程师（SDE agent）：各司其职，协作完成任务。
4.2K10编辑于 2025-05-07- 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）
例如，在某一季节来临前，准确预测到某款时尚外套在北方地区的销量将大幅增长，提前调配仓储资源，确保该地区库存充足；同时，根据实时订单情况，优化配送路径，将原本平均 5 天的配送时间缩短至 3 天。 获取推荐的产品 ID recommended_product_ids = [df.iloc[index]['product_id'] for index in unique_indices[:5] ] # 推荐前 5 个产品 return recommended_product_ids # 示例：为用户 1 生成推荐 recommendations_for_user_1 = get_recommendations ) 案例三：库存预警代码示例 python # 模拟库存数据 inventory_data = { 'product_id': [1, 2, 3], 'quantity': [10, 5, 3], 'lead_time': [3, 5, 7], # 补货所需时间（天） 'safety_stock': [5, 3, 2] # 安全库存数量 } # 将库存数据转换为 DataFrame
1.3K11编辑于 2024-12-27 - 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 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。 在这个环境中，有一个“大脑”负责知识的引入、工具的使用、知识的压缩以及模型的驱动。 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 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。 高德纳数据显示，到2026年将有近一半的企业应用嵌入任务型AI智能体，这个数字在2025年还不足5%。德勤调研进一步发现，在发达市场，29%的成年群体每日使用内嵌AI功能的服务如智能摘要。 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。 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 举一个例子，我们的某一个节点，在运行时，需要传入“用户所选的币种”，但是这个节点其实位于位置比较靠后的地方，而用户是在一开始提交的币种信息，这个操作可能是在5天前。 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。 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] 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. 文档 — 更新 TEST.md，写入测试结果7. 、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 Agent 通过标准的 --help 和 which 命令发现能力。5.零妥协的依赖策略 — 真实软件是硬性要求 —— 没有兜底，没有降级。后端缺失时测试直接失败（而非跳过），确保功能的真实性。
36510编辑于 2026-04-09- 来自专栏运维经验分享
Zabbix agent on Zabbix server is unreachable for 5 minutes
Zabbix agent on Zabbix server is unreachable for 5 minutes 主机运行时,会报这个错,所以要先按安装Zabbix agent, Zabbix-server 在监控的过程中，发现Web上报错提示zabbix server与agent之间已经失联超过5分钟了，为了找到问题出现的根本原因，在troubleshouting的时候，应该首先去查看服务对应的日志。 :092458.636 agent #2 started [listener #2] 23914:20170310:092458.636 agent #0 started [collector] :103011.663 agent #3 started [listener #3] 26170:20170310:103011.663 agent #2 started [listener #2 tmp]# /etc/init.d/zabbix-agentd restart Shutting down Zabbix agent: [ OK ] Starting Zabbix agent
3.2K30发布于 2019-08-27 - 来自专栏运维经验分享
Zabbix agent on Zabbix server is unreachable for 5 minutes
Zabbix agent on Zabbix server is unreachable for 5 minutes 环境描述： 环境介绍：CentOS6.5 zabbix3.2.6（ 问题详情： 邮件提示Zabbix agent on Zabbix.server is unreachable for 5 minutes 192.168.1.37": host [zabbix.server] not found 2751:20170622:171108.502 enabling Zabbix agent
2.5K20发布于 2019-08-27 - 来自专栏linux commands
Zabbix agent on Zabbix server is unreachable for 5 minutes
笔者在维护zabbix服务时，遇到以下报警 Zabbix agent on Zabbix server is unreachable for 5 minutes 在互联网查询了相关资料后，更改配置文件中 root@localhost ~]# vim /etc/zabbix/zabbix_agentd.conf …… ServerActive=%zabbix_serve_ip% …… 重启zabbix-agent [root@localhost ~]# /etc/init.d/zabbix-agentd restart Shutting down Zabbix agent: [ OK ] Starting Zabbix agent: [ OK ] 问题得以解决.
1.2K20发布于 2021-08-12 - 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。 LLM 驱动的 Agent在2023年随着 AutoGPT、BabyAGI 等agent早期开源项目而进入大众视野 (Introduction to LLM Agents | NVIDIA Technical 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。 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. 我们有理由相信，LLM 驱动的 Agent 将在未来几年释放出更大的潜能，成为数字时代不可或缺的基础设施和创新源泉，值得所有AI技术爱好者和从业者持续关注和投入。
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。 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）。 每次事故自动沉淀到向量库，Agent 提案时先检索 3–5 条相似 Case。 策略即代码融入 CI（PR 不达标直接红灯）。 发布节流/冻结策略，提升整体变更安全性。
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）。 Orchestrator：驱动 Case 状态机、事件总线协调、审计与合规。 Gatekeeper（Policy/GRC）：策略评估（OPA/Cedar），审批编排，合规窗口（变更禁区/时间窗）。 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Java架构师历程
5、事件驱动数据管理
5.2、事件驱动架构 许多应用使用了事件驱动架构作为解决方案。在此架构中，微服务在发生某些重要事件时发布一个事件，例如更新业务实体时。 下图依次展示了如何在创建订单时使用事件驱动方法来检查可用信用额度。 图 5-5 展示了 Customer Order View Updater Service （客户订单视图更新服务）根据 Customer Service 和 Order Service 发布的事件更新 可以说事件存储是事件驱动微服务架构的支柱。 事件溯源有几个好处。它解决了实现事件驱动架构的关键问题之一，可以在状态发生变化时可靠地发布事件。因此，它解决了微服务架构中的数据一致性问题。 大部分应用使用的解决方案是事件驱动架构。实现事件驱动架构的一个挑战是如何以原子的方式更新状态以及如何发布事件。有几种方法可以实现这点，包括了将数据库作为消息队列、事务日志挖掘和事件溯源。
1.4K10发布于 2018-09-26 - 来自专栏设计模式
Google 官方：5 种 Agent Skill 设计模式
5.流水线（Pipeline）：通过检查点强制执行严格的多步骤工作流程 模式 1：工具包装（Tool Wrappe） 工具封装器可为你的智能体提供特定库的按需上下文。 以下是一个工具包装器的示例，它教会Agent如何编写 FastAPI 代码。 请注意，指令明确地告诉Agent，只有在开始审查或编写代码时才加载 . Step 5: Return the completed report as a single Markdown document. - Q5: "Do you have any technology stack requirements or preferences?" 5. Iterate on feedback until the user confirms 模式 5：流水线（Pipeline） 对于复杂任务，容不得跳过任何步骤或忽略任何指令。
43510编辑于 2026-04-10 - 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. 5. Orchestrator 的“原子三件套”单事务保证：1) 更新 ops_case.version, status2) 追加 case_timeline3) 写入 outbox（cmd. 自动审批curl -X POST /gate/eval -d '{"case_id":"'$CASE'"}'# Gatekeeper 发 evt.plan.approved.v1 → EXECUTING# 5) 5) 可观测：先打指标，再写业务；没有指标就无法排障。13. 路线图（建议）Phase 0：FSM + Outbox + 2 个适配器 + 阈值 Verifier（闭环演示）。 其余模块要么被它的命令驱动，要么把“事实事件”交还它，由它来改变世界。LLM 负责提出“更好的方案”，而不是亲自“按下回车”。
49510编辑于 2025-09-02 - 来自专栏QGS星球
zabbix5—agent2监控PostgreSQL
data/pg_hba.conf #添加如下内容 表示所有地址都可以访问 host all all 0.0.0.0/0 md5 yum -y install zabbix-agent2 提示后输入y回车即可 ls -l /etc/zabbix/zabbix_agent2.conf 开机启动 zabbix-agent2 systemctl enable --now zabbix-agent2 yum -y install net-tools 查看端口 netstat -tnlp|grep zabbix 查看验证zabbix-agent2 /zabbix_agent2.conf :wq 退出保存 检查并查看修改了什么 grep -Ev '^#|^$' /etc/zabbix/zabbix_agent2.conf 改完一定都要~重启zabbix_agent2 Zabbix server可以单独监视远程服务器的服务状态；同时也可以与Zabbix agent配合，可以轮询Zabbix agent主动接收监视数据（agent方式），同时还可被动接收Zabbix agent
1.6K10编辑于 2023-12-30 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- 来自专栏张善友的专栏
下一代AI Agent： EDA（事件驱动架构）与AI Agent（智能体）的融合
事件驱动架构与AI Agent结合的必然性 事件驱动架构(EDA)与AI Agent的结合绝非偶然，而是分布式系统演进与人工智能发展的必然交汇。这一融合背后有着深刻的技术逻辑和时代需求。 控制流与错误处理 将AI Agent引入事件驱动架构后，传统的控制流和错误处理模式需要重新思考和创新设计： 反应式控制流：在事件驱动的AI Agent系统中，控制流由事件动态驱动，而非预定义的静态流程。 电子设计自动化(EDA)的智能化变革 电子设计自动化领域正在经历由AI Agent驱动的深层次变革，而事件驱动架构成为支撑这一变革的关键技术基础。 高级系统甚至部署竞争性Agent，有的追求高风险高回报，有的偏好稳定收益，通过事件驱动的"竞合"机制平衡投资组合。 智慧城市与公共管理 智慧城市是事件驱动AI Agent系统的天然应用场景。 表：事件驱动AI Agent系统的行业应用对比 这些行业应用表明，事件驱动架构与AI Agent的结合不是理论构想，而是已经在多个领域产生实际价值的技术范式。
1.2K30编辑于 2025-09-06
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