- 综合排序
- 最热优先
- 最新优先
- 来自专栏前行的CVer
大模型Agent
他们使用的prompt：3 experts are discussing the question with a panel discussion, trying to solve it step by
32810编辑于 2024-05-15 - 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。
13110编辑于 2026-03-11 - 来自专栏技术杂记
Zabbix Agent 安装3
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:on 6:off [root@zbx-target net.if.discovery" {"data":[{"{#IFNAME}":"lo"},{"{#IFNAME}":"em1"},{"{#IFNAME}":"em2"},{"{#IFNAME}":"em3" CPU.NUMBER}":1,"{#CPU.STATUS}":"online"},{"{#CPU.NUMBER}":2,"{#CPU.STATUS}":"online"},{"{#CPU.NUMBER}":3, items ，这些条目的详细解释可以参考 Zabbix agent Zabbix中已经集成了大量的常用监控条目，不用过多配置就可以直接使用
58710编辑于 2022-03-21 - 来自专栏技术杂记
Zabbix Agent 安装3
Average | awk {'print $2'} #UserParameter=swap.out.ps,/usr/bin/sar -W 1 1 | grep Average | awk {'print $3' } UserParameter=mem.used,/usr/bin/free -k | grep + | awk '{print $3}' UserParameter=ps.proc.sum[*],/bin head -n 1 UserParameter=redis.stat[*],/usr/local/bin/redis-cli -h 127.0.0.1 -p $1 info $2 | grep $3: [root@zbx-server zabbix_agentd.d]# 重启agent [root@zbx-target zabbix_agentd.d]# /etc/init.d/zabbix-agent restart Shutting down Zabbix agent: [ OK ] Starting Zabbix agent:
71850编辑于 2022-03-22 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。 可扩展性：AI Agent 可以通过调用外部工具、API 或插件来扩展其功能。例如，它可以调用搜索引擎获取信息，或者调用日历应用来安排日程。3. 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。 3. ReAct模式（Reason + Act）核心流程： 推理（Reason）：LLM分析用户查询，制定行动计划。
4K10编辑于 2025-05-07- 来自专栏自然语言处理
大模型 Agent 就是文字艺术吗？
最近在技术圈里有一个很有趣的争论：大模型 Agent 是不是就是各种 Prompt 的堆叠？ 像 Manus 这样看起来很智能的 Agent，本质上是不是就是用巧妙的 Prompt 约束大模型生成更好的输出？换句话说，这是不是一门文字艺术？ 这个问题引发了业内专家的激烈讨论，观点分化明显。 但关键是：Prompt 是 Agent 系统中大模型和其他各个组件的润滑油，而不是全部。 结论：既是也不是 回到最初的问题：大模型 Agent 是不是文字艺术？ 答案是：既是也不是。 从某种意义上说，所有与 LLM 的交互最终都要通过文字（Prompt）来实现，这确实是一门语言艺术。 你觉得大模型 Agent 是文字艺术吗？欢迎在评论区分享你的观点。
22001编辑于 2025-05-24 - 来自专栏探物及理
RL实践3——为Agent添加Policy
在实践1中，介绍了 动态规划DP 求解 价值函数 并没有形成一个策略Policy\(\pi\)来指导agent的动作选取，本节将利用SARSA（0）的学习方法，帮助agent学习到价值函数(表），指导 Agent的写法 Agent的三要素是：价值函数、策略、模型 Sarsa（0）是不基于模型的控制，其动作选择策略是\(\epsilon\)-greedy，根据价值函数选择动作。 对于一般问题，Agent包括如下功能 对环境的引用 自身变量：Q值，状态值的记忆 策略方法 动作执行方法 学习方法：改进策略，这部分是关键 class Agent(): def __init__ act(self, a): # 执行一个行为 return self.env.step(a) def learning(self): pass # 学习过程 Agent num_episode == max_episode_num: # 终端显示最后Episode的信息 print("t:{0:>2}: s:{1}, a:{2:2}, s1:{3}
61930发布于 2020-09-07 - 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 未来的Agent系统，不只是“更聪明”，而是“更有组织”。多Agent系统的复杂性本质上源于“多主体协作”本身，而组织模型正是将这种复杂性工程化、可控化的核心手段。 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。
35610编辑于 2026-01-12 - 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 可对话的Agent设计利用了LLM通过聊天获取反馈并取得进展的强大能力，还允许以模块化的方式组合LLM的功能。 3. 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。
7.8K33编辑于 2023-10-23 - 来自专栏A周立SpringCloud
Skywalking系列博客3-Java Agent插件
Java Agent是插件化、可插拔的。 Skywalking的插件分为三种： •引导插件：在agent的 bootstrap-plugins 目录下•内置插件：在agent的 plugins 目录下•可选插件：在agent的 optional-plugins /java-agent/README.md#bootstrap-class-plugins 。 所支持的技术&框架，详见 https://github.com/apache/skywalking/blob/v6.6.0/docs/en/setup/service-agent/java-agent/ 可选插件 关于可选插件的功能描述，可详见 https://github.com/apache/skywalking/blob/v6.6.0/docs/en/setup/service-agent/java-agent
2K30发布于 2020-06-09 - 来自专栏XINDOO的专栏
Agent设计模式——第 3 章：并行化
代码尝试初始化 ChatOpenAI 实例，使用"gpt-4o-mini"模型并设置温度参数以控制创造性。语言模型初始化采用 try-except 块以确保健壮性。 研究员 3：碳捕获 researcher_agent_3 = LlmAgent( name="CarbonCaptureResearcher", model=GEMINI_MODEL, _1, researcher_agent_2, researcher_agent_3], description="并行运行多个研究 Agent 以收集信息。" ) ## --- 3. 而 Google Agent Developer Kit (ADK) 等框架则通过多 Agent 委托实现并行化，由主协调器模型将不同子任务分配给可并发操作的专门 Agent。
52110编辑于 2025-10-27 - 来自专栏AgenticAI
给LLM Agent应用插上视觉模型的翅膀：封装ONNX加载的头部姿态评估模型作为Agent的工具
在深入探讨ONNX如何赋能LLM Agent以视觉理解能力之前，如果您渴望更全面地理解这一领域的核心理论与实践，以下这部著作将是您不可或缺的伴侣： 话不多说，我们先看看看论文全称：6D Rotation 大可不必，网络上很多模型都提供了ONNX模型，我们简单的搜索就能找到。你可以从GitHub上的PINTO_model_zoo[3]这个共享链接6DRepNet360[4]中下载到所需的ONNX模型。 the yaw of head"] Roll: Annotated[float, "the roll of head"] 然后通过autogen的register_function将函数注册到Agent 至此，我们已共同见证了ONNX如何为LLM Agent巧妙融入头部姿态评估模型，开启了多模态交互的新篇章。 在我们探索之旅的尾声，若您意犹未尽，渴望亲自操刀，将理论付诸实践，那么黄佳老师这本《大模型应用开发：动手做AI Agent》将是您理想的选择。 关注点赞不迷路哦！
42300编辑于 2025-03-18 - 来自专栏架构驿站
Deep Agent 是如何让大模型更“聪明” ？
本文将带你深入解析 Deep Agent 的工作原理，并看看它是如何让大模型变得更聪明、更能干的。 —01 — 什么是 Deep Agent ？ 如果说，我们熟知的大语言模型（LLM）是一位学识渊博、对答如流的“金牌咨询师”，那么传统的 AI Agent，就是我们为这位咨询师配备的第一个“助理”。 3、外挂“无限硬盘” —— 文件系统 (File System Access) 为了治愈“短期失忆症”，我们为 Deep Agent 外挂了一块“无限硬盘”——即赋予它读写文件系统的能力。 , allowed_tools=["code_interpreter_tool"] # 只允许它使用代码解释器 ) # 3. 基于 Deep Agent 的特性，其神奇之处在于：只需要定义好函数的签名和文档字符串（docstring），大模型就能自动理解这个工具的用途和参数，并在需要时调用它。
1.8K10编辑于 2025-08-11 - 来自专栏深度学习自然语言处理
每日论文速递 | Agent-FLAN: Agent指令训练让开源大模型Agent能力更进一步
本文首先提出了三个关键观察结果：(1) 当前的代理训练语料与格式遵循和代理推理都纠缠在一起，与其训练前的数据分布有很大不同；(2) LLMs 对代理任务所需的能力表现出不同的学习速度；(3) 当前的方法在提高代理能力时会引入幻觉 这些相关研究为论文提出的Agent-FLAN方法提供了背景和基础，同时也展示了在代理任务中微调LLMs的广泛兴趣和需求。 Q3: 论文如何解决这个问题？ Agent-H基准测试：使用自建的Agent-H基准对模型的幻觉问题进行全面评估，包括格式级别和行动级别的测试。 关键观察：论文提出了三个关键观察结果：(1) 现有的代理训练语料库混合了格式遵循和代理推理，与预训练数据的分布有显著差异；(2) LLMs在代理任务所需能力上的学习速度不同；(3) 现有方法在提升代理能力时引入了幻觉等副作用 Agent-FLAN方法：基于这些观察，论文提出了Agent-FLAN方法，旨在有效微调语言模型以适应代理任务。
1K10编辑于 2024-03-26 - 来自专栏探物及理
RL实践3——为Agent添加Policy、记忆功能
Agent的写法 Agent的三要素是：价值函数、策略、模型 本节以Sarsa（0）为例，介绍为agent添加policy的方法 Sarsa（0）是不基于模型的控制，其动作选择策略是\(\epsilon if num_episode == max_episode_num: print("t:{0:>2}: s:{1}, a:{2:10}, s1:{3} a:{1:<3} r:{2:<4} is_end:{3:<5} s1:{4:<3}".\ format(self.data[0], self.data self.trans_list, k = batch_size) def __len__(self) -> int: return self.len Experience（Memory） 有些模型框架用 agent.learning(gamma=0.99, # 衰减引子 learning_rate = 1e-3,# 学习率
1K20发布于 2020-09-10 - 来自专栏ceshiren0001
大模型堆到天花板，Agent 激烈竞争
2025 年，AI 行业表面上依旧喧闹： 新模型、新 Agent、新概念层出不穷。但如果你把视线从发布会、榜单和融资新闻上移开，会发现一个更重要的变化正在发生——行业评判标准正在整体迁移。 二、Agent 不再是 PPT，而是一种新软件形态如果说 2024 年的 Agent 更像演示视频， 那么 2025 年，Agent 开始真正进入生产系统。 Agent 带来的本质变化是：AI 从回答者，变成了执行者。 因为模型、框架、工具正在被快速开源， 真正值钱的，不是“会不会用 Agent”， 而是——能不能用 Agent 把事交付完。 结语：真正的洗牌，才刚刚开始回看 2025 年，一个判断越来越清晰：赢的不是最会讲故事的也不是模型最大的而是能把 AI 稳定嵌入现实系统的大模型正在退居底座， Agent 开始进入执行层， 系统工程能力决定体验与成本
20710编辑于 2025-12-30 - 来自专栏素质云笔记
大模型下的Agent、AIGC的商业案例集合
算是一份摘录 1 AIGC 对影楼的影响 https://mp.weixin.qq.com/s/3j-6FAxZEEvXUZ1q6by2uw 2 出海Talkie ：情感智能体 https://mp.weixin.qq.com /s/KHPmfuVvywxxcI2rqoOghA Talkie 为每条消息提供 3 个免费灵感，如果用户需要更多 AI 生成的灵感选项，则需要开通星月卡。 3 具身智能简史、现状与未来展望 https://mp.weixin.qq.com/s/a5zVocPcqWtFry91hBcgpA 通过 DERL 框架，研究者能够在不同的环境复杂性中，测试和优化代理的形态设计 /s/YUvLHKLbJ6t6bK_1If6BNA 官方网址：https://www.tiangong.cn/chat/text_gen_image/004 可以理解多种语义，比如九宫格 完全免费 模型被养好图片大多数符合常规审美上的好看
42900编辑于 2024-05-24 认识大模型时代AI Agent技术（文末送书）
行业需求变革： 业务复杂化：从标准化流程到个性化服务 响应实时化：毫秒级决策需求增长300%（2020-2024） 成本结构化：运维人力成本 vs 智能体训练成本交叉点已至 技术突破点： 大模型涌现的上下文理解能力 execute_action(tool, params) else: return generate_response(context) 2.2.2 记忆管理系统 设计必要性： 解决大模型 70%） 高端岗位匹配周期长达45天+ 智能体方案 技术亮点： 非结构化数据处理：PDF/Word解析准确率>95% 去偏见算法：性别/年龄等因素影响度降低80% 智能推荐：TOP3候选人匹配精度达
29310编辑于 2025-04-09- 来自专栏喔家ArchiSelf
10个构建Agent的大模型应用框架
3. Langgraph LangGraph 框架是由 LangChain 团队开发的一个开源工具，专门用于构建和管理智能体系统。 * 关于Autogen的更多内容，可以参考《基于大模型（LLM）的Agent 应用开发》一文。 5. 对于那些希望在云环境中构建Agent，或者倾向于零代码或低代码方式构建Agent的用户来说，AutoGPT无疑是一个理想的选择。 由于目前对“Agent”这一概念的理解还不够清晰，甚至存在滥用（比如把简单的Bot当成Agent），导致市面上的Agent框架良莠不齐。如果你有其他喜欢的Agent框架，欢迎留言补充！ 此外，基于大模型的应用，尤其是通过框架构建的Agent程序，本质上都属于分布式软件系统。如果你对如何优化分布式系统的性能感兴趣，推荐你阅读《性能之道》这本书。
12K30编辑于 2025-03-24 - 来自专栏腾讯技术工程官方号的专栏
一文带你了解大模型——智能体（Agent）
作者：lucasgftang 大语言模型 vs 人类 大语言模型很强大，就像人类的大脑一样拥有思考的能力。如果人类只有大脑，没有四肢，没有工具，是没办法与世界互动的。 如果我们能给大模型配备上四肢和工具呢？大模型是不是就会打破次元壁，从数字世界走向现实世界，与现实世界实现梦幻联动呢？ 智能体是什么 智能体的英文是 Agent，AI 业界对智能体提出了各种定义。个人理解，智能体是一种通用问题解决器。 从搜索引擎进行搜索并获取Url地址列表 （图左为冯·诺依曼；右为奥本海默；背后是世界上第一台冯·诺依曼架构的“现代”计算机） 图3. 图11 展望 随着大模型的百花齐放，LLM 会支持更长的上下文、更大的参数规模，其推理能力也会愈发强大。因此，基于大模型搭建的智能体（AI Agent）的能力边界也在不断突破。
45K1523编辑于 2024-05-29
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