- 综合排序
- 最热优先
- 最新优先
- 来自专栏XINDOO的专栏
Agent设计模式——第 7 章：多 Agent 协作
例如，一个复杂的研究查询可能被分解并分配给研究 Agent 进行信息检索、数据分析 Agent 进行统计处理，以及综合 Agent 生成最终报告。 多 Agent 协作模式概述 多 Agent 协作模式涉及设计系统，其中多个独立或半独立的 Agent 协同工作以实现共同目标。 层次结构： 管理者 Agent 可能根据其工具访问或插件能力动态地将任务委托给工作 Agent，并综合其结果。每个 Agent 还可以处理相关的工具组，而不是单个 Agent 处理所有工具。 创意内容生成： 创建营销活动可能涉及市场研究 Agent、文案撰写 Agent、图形设计 Agent（使用图像生成工具）和社交媒体调度 Agent，所有这些都在一起工作。 实操代码（Crew AI） 此 Python 代码使用 CrewAI 框架定义了一个 AI 驱动的团队来生成关于 AI 趋势的博客文章。它首先设置环境，从 .env 文件加载 API 密钥。
3.8K11编辑于 2025-10-27 - 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。 2.系统架构设计 京东物流 Agent 采用了分层架构设计，主要包括数据层、模型层、服务层和应用层，各层级之间相互协作、协同工作，共同实现了京东物流 Agent 的强大功能。 inventory_data = { 'product_id': [1, 2, 3], 'quantity': [10, 5, 3], 'lead_time': [3, 5, 7]
1.3K11编辑于 2024-12-27 - 来自专栏用户1069690的专栏
Centos7安装ODBC驱动
以下是参考官方文档安装ODBC驱动的过程，跟官方教程是一毛一样，只是加上了每行命令的说明。 添加安装源到本机 curl https://packages.microsoft.com/config/rhel/7/prod.repo > /etc/yum.repos.d/mssql-release.repo unixODBC-devel 最后，查看/etc/odbcinst.ini文件内容 cat /etc/odbcinst.ini 可以看到最后面有[ODBC Driver 17 for SQL Server]的配置，恭喜你，驱动安装完成
4.1K30编辑于 2022-05-18 - 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 centos7卸载显卡驱动
找到显卡驱动.run文件： sudo . rpm -qa |grep -i nvid|sort yum remove kmod-nvidia-* 记得卸载完要重启系统：sudo reboot 特别注意：请先确认自己系统版本是不是centos7，
40800编辑于 2025-07-202026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 而Agent驱动的工作流弱化了强制性edge设计，即弱化了流程“编排”这件事。传统的工作流编程，必然面临节点编排的复杂实现。 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。 文档 — 更新 TEST.md，写入测试结果7. /gimp 该技能采用了与 Claude Code 和 OpenCode 一致的 7 步构建流程。 、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 需要结构化数据" 内置 JSON 输出供 Agent 直接消费，同时保留可读格式方便调试 "定制集成太贵了" 一个插件就能为任意代码库自动生成 CLI，经过验证的 7 阶段流水线 ⚡ "原型和生产之间差十万八千里
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。 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。 2023年，Mistral发布了参数规模仅7B的开源模型 Mistral 7B，以小巧模型实现媲美更大型号的性能，展示了高效模型的潜力。 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）。 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。 k_hop": [42]}, "similar": [{"kb_id": 991, "score": 0.83}] }, "ts": "2025-08-27T07:00:00Z" } 7. 观测与治理（Ops of the Agent） 自监控： 队列积压（ops.
50110编辑于 2025-08-27 - 来自专栏后端开发随笔
CentOS7安装Chrome及驱动
目录 安装Chrome 安装Chrome驱动程序 环境：CentOS Linux release 7.4.1708 (Core) 安装Chrome ? 解决Chrome驱动: unzip chromedriver_92.0.4515.43_linux64.zip -d /usr/local/bin/ 查看Chrome驱动版本： [root@ccc ~] # chromedriver --version ChromeDriver 92.0.4515.43 (8c61b7e2989f2990d42f859cac71319137787cce-refs/branch-heads /4515@{#306}) 注意： 不要求Chrome与Chrome驱动的所有版本字段信息完全一致！ 比如我的Chrome与Chome驱动的“主版本号.次版本号.内部版本号”信息为：92.0.4515。
2K30发布于 2021-07-29 - 来自专栏运维经验分享
CentOS7 Yum 安装zabbix-agent 3.4
CentOS7 Yum 安装zabbix-agent 3.4 2017-12-28 • CentOS、Monitoring • 评论关闭 CentOS7 Yum 安装zabbix-agent 3.4 RHEL 7, Oracle Linux 7, CentOS 7 快速安装zabbix-agent 3.4 1、安装zabbix yum源 rpm -Uvh http://repo.zabbix.com /zabbix/3.4/rhel/7/x86_64/zabbix-release-3.4-2.el7.noarch.rpm yum install zabbix-agent 2、直接安装zabbix-agent 3.4的rpm包 rpm -Uvh http://repo.zabbix.com/zabbix/3.4/rhel/7/x86_64/zabbix-agent-3.4.5-1.el7.x86_64.rpm 3、启动服务 chkconfig zabbix_agent on;service zabbix_agent start(和自己编译的不太一样service zabbix_agentd start)
1.6K20发布于 2019-08-12 - 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
关键词：Walking Skeleton／状态机（FSM）／Outbox／Idempotency／事件驱动／LLM 契约化本文落地一条“最短闭环”（人工触发 → 计划 → 审批 → 执行 → 验证 → AI 的边界：LLM 负责 Planner/Analyst/Librarian 的“生成与检索”；Gatekeeper 的策略判定与 Orchestrator 的状态迁移一律不可由 LLM 直接驱动，而是通过结构化产物 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. 7. 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 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 - 来自专栏yifei的专栏
unix编程实践_7_事件驱动编程
在unxi/linux编程实践第七章的基础上完成的一个小的终端弹球游戏,先来个截图。
58610编辑于 2022-11-14 - 来自专栏TestOps云层
7个测试驱动开发的最佳实践
测试驱动开发（TDD）是一个简约的软件开发过程。由一个自动执行的测试用例驱动，用例定义了系统所需的功能。测试的第一个执行结果状态是失败。然后，开发人员实现一个能通过测试的最小代码。 由于测试用例是驱动力，因此应对其进行正确性和完整性检查。 2.专注于需要实现的目标 确保你了解代码需要被调用的位置，并相应地对测试套件进行框架化。 7.知道什么时候使用TDD 最后但并非最不重要的是，像任何其他开发概念一样，TDD在某些情况下效果是最好的。TDD的执行时间不能太长。任何冗长或复杂的测试都会破坏TDD的目的。
1.6K20编辑于 2022-04-04 - 来自专栏NLP/KG
AI Agent框架（LLM Agent）：LLM驱动的智能体如何引领行业变革，应用探索与未来展望
AI Agent框架（LLM Agent）：LLM驱动的智能体如何引领行业变革，应用探索与未来展望1. AI Agent（LLM Agent）介绍1.1. AutoGPT 官方公开 Demo 演示：https://www.bilibili.com/video/BV1HP411B7cG/? 人民币，那么花费就是 2040.05*7=28 元人民币。 《综述：全新大语言模型驱动的 Agent》——4.5 万字详细解读复旦 NLP 和米哈游最新 Agent Survey https://zhuanlan.zhihu.com/p/6566767176.斯坦福的 id=7e0fcb27cb24c9f4478d8de59.九大最热门的开源 AI Agent 框架 https://www.chatdzq.com/news/1753957671170928641
4.9K22编辑于 2024-07-05
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