- 综合排序
- 最热优先
- 最新优先
- 来自专栏前行的CVer
大模型Agent
PanelGPT💡: 💁🏼🎤 (👾💬) (🤖💭) (🤯🗯) 受到“三个臭皮匠，赛过诸葛亮”启发，设计one-shot的例子，让多个LLM同时给出答案，然后再用一个LLM打分，做决定。他们使用的prompt：3 experts are discussing the question with a panel discussion, trying to solve it step by step, and make sure the result is correct and avoid penalty:，这个prompt的效果要优于Let's think step by step:。
35710编辑于 2024-05-15 - 来自专栏Python
理解 Agent2Agent(A2A)、Agent to Agent和链式函数调用的区别与联系
在构建 AI 智能体系统或多模块任务执行架构时，我们常会遇到三个关键术语： Agent to Agent 链式函数调用 Agent2Agent (A2A) 它们看似类似，甚至常被混用，但实际上分别属于不同的抽象层次 (A2A)│ ← 架构范式（设计） └─────────────────┘ 这意味着： 链式函数调用是编程行为 Agent to Agent是通信语义 Agent2Agent (A2A) 是系统设计理念 两个 Agent 间的信息传递行为 多智能体协同、机器人通信 Agent2Agent (A2A) 系统架构层 一个 Agent 主动调用其他 Agent 协作解决问题 LLM Agent 编排、AutoGen Agent2Agent 像一个“项目经理型 AI”会调度多个“专家型 AI”组成动态团队，解决复杂任务 类比一句话总结： 链式函数调用像拼装生产线，Agent to Agent像员工交流，而Agent2Agent Agent2Agent (A2A 调用链) class PlannerAgent: def run(self, task): data = fetch_agent.run("get
1.2K10编辑于 2025-07-10 - 来自专栏技术杂记
Zabbix Agent 安装2
S 17:02 0:00 \_ zabbix_agentd: listener #2 [waiting for connection] zabbix 26933 0.0 0.0 77388
66820编辑于 2022-03-22 - 来自专栏技术杂记
Zabbix Agent 安装2
zbx-target zabbix]# /etc/init.d/zabbix-agent start Starting Zabbix agent: S 16:11 0:00 \_ zabbix_agentd: listener #2 [waiting for connection] zabbix 26129 0.0 0.0 77336 0:off 1:off 2:off 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 CPU.NUMBER}":0,"{#CPU.STATUS}":"online"},{"{#CPU.NUMBER}":1,"{#CPU.STATUS}":"online"},{"{#CPU.NUMBER}":2,
73020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。
16810编辑于 2026-03-11 - 来自专栏技术杂记
Zabbix Agent 安装2
script]# 默认情况下 zabbix_agentd 会监听在 0.0.0.0:10050 上面，所以要将防火墙打开，以方便与zabbix server之间的通信 ---- 启动zabbix-agent [root@zbx-target zabbix]# /etc/init.d/zabbix-agent start Starting Zabbix agent: S 16:11 0:00 \_ zabbix_agentd: listener #2 [waiting for connection] zabbix 26129 0.0 0.0 77336
96610编辑于 2022-03-21 - 来自专栏用户8734432的专栏
Zabbix-agent2安装
Agent2安装： 1.关闭防火墙 sed -i 's/SELINUX=enforcing/SELINUX=disabled/' /etc/selinux/config systemctl disable -y 5.查看命令 ls -l /usr/sbin/zabbix_agent2 -rwxr-xr-x. 1 root root 17608104 Apr 26 16:27 /usr/sbin/zabbix_agent2 6.启动客户端 systemctl enable --now zabbix-agent2 7.配置agent2配置文件 找到Server、ServerActive、Hostname并对应填进去 vi =oracle11g(主机的名字) 显示刚刚修改的内容命令 grep -Ev '^#|^$' /etc/zabbix/zabbix_agent2.conf 8.最后重启zabbix-agent2 systemctl restart zabbix-agent2
1.2K10发布于 2021-07-14 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. 在大模型的背景下，AI Agent 是基于大规模预训练模型（如 GPT 等）构建的智能代理，能够利用模型的语言理解和生成能力来完成复杂的任务。 2. 核心特点自主性：AI Agent 能够在一定程度上自主运行，根据输入的任务或指令，自动规划和执行操作，而不需要人类持续干预。例如，它可以自动分解任务、调用工具或资源来完成目标。 工作原理感知与理解：AI Agent 首先通过输入（如用户指令、环境数据等）感知外部信息，然后利用大模型的语言理解能力解析这些信息，确定任务目标。 2. 工具使用模式（Tool Use Pattern）核心流程： 用户查询通过LLM处理后，触发工具调用（Tool calling）。
4.9K10编辑于 2025-05-07- 来自专栏玩转Lighthouse
玩转Hermes Agent｜云上Hermes Agent配置大模型指南
）获取APIKey：https://openrouter.ai/keysOpenRouter是一个模型聚合平台，通过一个APIKey即可访问200+个来自不同提供商的模型。 进阶配置配置备用模型（Fallback）当主模型遇到限流或故障时，HermesAgent可以自动切换到备用模型。 配置智能路由简单问题用便宜模型，复杂任务用主力模型，节省API开销。 Q：本地模型工具调用不生效怎么办？ A：确认：1）Ollama上下文长度已设置为16K以上；2）vLLM加了--enable-auto-tool-choice参数；3）llama.cpp加了--jinja参数；4）模型本身支持functioncalling
3.1K65编辑于 2026-04-26 - 来自专栏运维开发故事
ZABBIX Agent2监控docker
横空大气排山去，砥柱人间是此峰 牛兆濂《登华岳南峰极顶七绝》 Zabbix Agent2监控docker容器 首先我们先来看一下zabbix agent2监控docker插件的实现原理，其实就是通过调用 docker的API来获取数据，插件目录位于zabbix-agent2/src/go/plugins/docker，我们先来看一下client.go文件 这里就是定义了使用UNIX套接字地址来进行docker 了解了docker插件的实现思路后我们可以根据我们的需求进行扩展，添加对应的api获取数据就可以了，或者根据这个思路在zabbix agent上实现相同的自定义脚本，甚至可以根据docker插件的实现逻辑来自己编写插件实现其他的监控需求 下面我们来使用agent2的模板监控docker 链接docker模板 ?
1.4K20发布于 2020-11-03 - 来自专栏XINDOO的专栏
Agent设计模式——第 15 章：Agent 间通信（A2A）
Agent 间通信模式概述 Agent2Agent（A2A）协议是旨在实现不同 AI Agent 框架间通信与协作的开放标准。 A2A 提供多种交互方法以适应各种 AI 应用需求，每种方法都有独特机制： 同步请求/响应：用于快速、即时操作。在此模型中，客户端发送请求并主动等待服务器处理并在单个同步交换中返回完整响应。 A2A 与 MCP A2A 是补充 Anthropic 模型上下文协议（MCP）的协议（见图 1）。 随后创建 LlmAgent 实例，配置指定 Gemini 模型、描述性名称和管理用户日历的指令。 虽然 A2A 是用于管理不同 Agent 间任务和工作流的高级协议，但模型上下文协议（MCP）为 LLM 提供与外部资源交互的标准化接口。
2.1K10编辑于 2025-10-27 - 来自专栏深度学习与python
M2模型杀回Coding和Agent领域，MiniMax想要「普惠智能」
真实开发者的使用数据最具说服力，因为 M2 模型开源后官方 API 和 Agent 限时免费，在全球极具影响力的 AI 模型聚合与调用平台 OpenRouters 上数据显示: 仅仅开源后的第一天，MiniMax-M2 在发布 MiniMax-M2 的同时，MiniMax 也同步完成了 Agent 产品的升级，不仅将 M2 接入 MiniMax Agent，把顶级的编程、工具调用、多模态理解与任务执行能力整合到一起，还通过优化降低了响应延迟 MiniMax Agent 提供两种模式：一类是 pro 专业模式，主打专业 Agent 能力；另一类是 lightning 高效模式，属于高效极速版 Agent，可实现极速输出。 比如直接在 MiniMax Agent 平台上，开发一个 AI 音乐 playlist 网站，AI 音乐和背景视频都由模型生成。 值得关注的是，MiniMax 此次还同步推出了“Agent 和模型全球限时免费”活动。
1K10编辑于 2025-11-26 鸡翅-大模型与Agent开发实战
鸡翅·大模型与Agent开发实战：从入门到企业级落地的腾讯云全路径2026年，AI Agent已不再是实验室里的概念验证，而是企业降本增效、重塑业务流程的核心引擎。 本文基于鸡翅大模型与Agent开发实战体系，结合腾讯云全栈AI工具链，为你拆解从零构建智能体的完整链路。 一、Agent的本质：给大模型装上"手脚"与"大脑"如果说大模型是"大脑"，那Agent就是"大脑+手脚+记忆系统"的完整智能闭环。传统大模型擅长生成文本回答，但缺乏自主执行能力。 四、开发实战：从零搭建你的第一个Agent4.1 选基座模型国内开发者优先选择DeepSeek-V3.2，其多步工具调用能力可媲美海外顶级模型，成本降低80%。 本文基于鸡翅大模型与Agent开发实战课程体系，结合腾讯云2026年最新产品能力编写。想要5分钟搭建你的第一个AI Agent？打开腾讯云AI开发套件，从零开始。
20910编辑于 2026-06-09DeerFlow 2如何拆解长任务Agent
最小使用路径或操作步骤适合跟着跑的读者，是已经在用ClaudeCode、Codex、Cursor或Windsurf的开发者，或者想验证长任务Agent框架是否适合自己团队的小型工具负责人。 如果你的任务只需要一次性问答、短代码片段或简单网页摘要，DeerFlow的sub-agent与sandbox成本可能高于收益。 这事意味着什么DeerFlow2的信号不在于“Agent又能做更多事”，而在于开源Agent框架正在从demo形态转向harness形态：模型只是其中一层，真正决定体验的是配置、隔离执行、记忆、工具链和失败回退 对开发者工作流来说，它适合成为长任务试验场，比如研究资料汇总、代码生成验证、多模型效果比较、工具调用链路观察；但它也会把模型成本、凭证管理和人类审核成本一起带进来。 读者决策今天可以试的人：已经有Docker、本地开发经验、可用模型APIkey，并且正在评估长任务Agent或多工具研究流程的开发者。
7810编辑于 2026-06-24- 来自专栏XINDOO的专栏
Agent设计模式——第 2 章：路由
路由将条件逻辑引入 Agent 的操作框架，使其能够从固定执行路径转变为这样一种模型：Agent 动态评估特定标准以从一组可能的后续行动中进行选择。这允许更灵活和上下文感知的系统行为。 基于机器学习模型的路由： 它采用判别模型，例如分类器，该模型已经在小型标记数据语料库上专门训练以执行路由任务。 类似地，Google 的 ADK 提供了用于构建 Agent 能力和交互模型的基础组件，这些组件作为实现路由逻辑的基础。 系统使用语言模型对请求进行分类，然后将其委托给适当的处理函数，模拟多 Agent 架构中常见的基本委托模式。 main 函数通过三个示例请求演示了系统的用法，展示了不同的输入如何被路由并由模拟 Agent 处理。包含了语言模型初始化的错误处理以确保健壮性。
1.3K10编辑于 2025-10-27 - 来自专栏技术汇总专栏
面向 LLM Agent 的组织模型设计：多 Agent 协同的新范式
面向LLMAgent的组织模型设计：多Agent协同的新范式一、引言：为什么多Agent系统需要“组织模型”随着人工智能系统从“单智能体”向“群体智能”演进，多Agent系统（Multi-AgentSystem 为了解决这些问题，组织模型（OrganizationalModel）被引入多Agent系统设计中，用于规范Agent的结构、职责与协作方式。 二、多Agent组织模型的核心要素一个完整的MAS组织模型通常包含以下三个关键维度：角色分配（RoleAssignment）权限管理（Authority&PermissionControl）任务协同策略 W1","worker"),WorkerAgent("W2","worker")]tasks=[Task(i,f"Task-{i}")foriinrange(4)]coordinator=TaskCoordinator 可以说，组织模型决定了多Agent系统是否具备规模化扩展与长期演进的能力，是多Agent从“概念验证”走向“工程落地”的关键基础设施。
57710编辑于 2026-01-12 - 来自专栏Zabbix中国官方
给你加个buff: Zabbix 6.0 Agent 2 !
既然 Zabbix agent 功能已经如此强大，为什么我们还要考虑使用 Zabbix agent2 ？ Zabbix Agent 2 的主要目标是更加灵活便捷地扩展 agent 的指标采集功能。 无论对于新的原生 Zabbix agent 2 指标的内部开发还是我们社区完成的自定义 Zabbix agent 2 插件开发都是如此。 agent 2 插件 Zabbix agent 2 的底层结构基于 GO 插件。这种方法用于官方 Zabbix agent 2 监控项，并应用于开发自定义社区扩展。 可加载插件 我们来总结一下 Zabbix agent 2 插件的逻辑： 外部插件可在 Zabbix agent 2 启动时加载，无需重新编译 Zabbix agent 2 在 Linux 上使用 Unix 这意味着要运行 Zabbix agent 2，您必须为 GO 语言支持提供一组依赖。这样就可以编译安装 Zabbix agent 2。
1.5K30编辑于 2022-04-07 - 来自专栏Linux相关
Zabbix【部署 03】zabbix-agent2安装配置使用（zabbix-agent2监控docker实例分享)
1.安装agent2# 1.选择合适的安装库rpm -Uvh https://repo.zabbix.com/zabbix/5.0/rhel/7/x86_64/zabbix-release-5.0-1. el7.noarch.rpmyum clean all# 2.安装zabbix-agent2yum install -y zabbix-agent2# 3.启动并设置开启启动systemctl restart zabbix-agent2systemctl enable zabbix-agent22.配置2.1 docker配置# 如果不进行docker配置 zabbix_get 无法获取数据# zaabix_server 】Server=127.0.0.1# 如果部署了agent需要修改agent2的端口号ListenPort=20050# 主动注册指向服务端【根据实际情况配置】ServerActive=127.0.0.1 agent2 服务systemctl restart zabbix-agent2[root@tcloud zabbix]# zabbix_get -s 127.0.0.1 -k docker.info
1K00编辑于 2025-08-17 - 来自专栏喔家ArchiSelf
基于大模型（LLM）的Agent 应用开发
这种流程的潜在设计空间可能是巨大而复杂的，《如何构建基于大模型的App》一文给出了一种探索中的大模型应用开发基础框架，基本可以适用于RAG 和Agent。 但是，对于面向Agent的大模型应用开发，有没有其独特之处呢？有没有聚焦于Agent的大模型应用开发框架呢？ 那么，什么又是Agent 呢？ 1. agent program 是 agent function 的真子集 1.2 大模型领域中的Agent 在大模型领域，大模型替代了传统agent 中的规则引擎以及知识库，Agent提供了并寻求推理 通过选择和配置内置功能的子集，Agent的后端也可以很容易地进行扩展，以允许更多的自定义行为。 2. 小结 Agent 是与大模型主动交互的一种重要程序形式，而Multi-Agent则是多个Agent利用大模型完成复杂任务的系统机制。
8.1K33编辑于 2023-10-23 - 来自专栏xingoo, 一个梦想做发明家的程序员
选择模型2
选择模型 fd_set结构可以把多个套接字连在一起，形成一个套接字集合 typedef struct fd_set{ u_int fd_count;//下面数组的大小 SOCKET fd_array[FD_SETSIZE struct timeval{ long tv_sec;//指示等待多少秒 long tv_usec;//指示等待多少毫秒 }timeval; 应用举例 1 初始化fdSocket集合，添加监听套接字句柄 2 当有事件发生的时候，select函数移除fRead中没有未决IO操作的句柄，然后返回 3 比较原来的fdSocket集合，与select处理过的fdRead集合，确定哪些套接字有未决IO并处理这些IO 4 回到2进行选择 1 CInitSock theSock;//初始化winsock库 2 int main() 3 { 4 USHORT nPort=4567;//此服务器监听的端口号 5 / ); 15 return 0; 16 } 17 //进入监听模式 18 ::listen(sListen,5); 19 20 //select模型处理过程
819100发布于 2018-01-17
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