- 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
79130编辑于 2022-03-21 - 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 - 来自专栏深度学习与python
腾讯混元开源 4 个小尺寸模型，主打 Agent 和长文
8 月 4 日，腾讯混元宣布开源四款小尺寸模型，参数分别为 0.5B、1.8B、4B、7B，消费级显卡即可运行，适用于笔记本电脑、手机、智能座舱、智能家居等低功耗场景，且支持垂直领域低成本微调。 新开源的 4 个模型属于融合推理模型，具备推理速度快、性价比高的特点，用户可根据使用场景灵活选择模型思考模式——快思考模式提供简洁、高效的输出；而慢思考涉及解决复杂问题，具备更全面的推理步骤。 这四个模型的亮点在于 Agent 和长文能力，跟此前开源的 Hunyuan-A13B 模型一样，技术上通过精心的数据构建和强化学习奖励信号设计，提升了模型在任务规划、工具调用和复杂决策以及反思等 agent - Tencent-Hunyuan/Hunyuan-0.5B Hunyuan-1.8B：https://github.com/Tencent-Hunyuan/Hunyuan-1.8B Hunyuan-4B ：https://huggingface.co/tencent/Hunyuan-4B-Instruct Hunyuan-7B：https://huggingface.co/tencent/Hunyuan
1.2K10编辑于 2025-08-09 - 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。 ") # 为反思 Agent 创建特定提示词。 # 这要求模型充当高级代码审查员。 （如 GPT-4o）以获得专注输出。 反思对需要高质量、准确或精细输出的任务至关重要 一个强大的实现是生产者-评审者模型，其中独立 Agent（或提示角色）评估初始输出。
78310编辑于 2025-10-27 - 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。
17010编辑于 2026-04-11 - 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。
52010编辑于 2025-03-17 - 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 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。 智能性：它基于大模型的强大语言理解能力，能够理解自然语言指令，并生成自然语言响应。这种智能性使其能够处理复杂的语言任务，如对话、写作、翻译等。 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。 4. 规划模式（Planning Pattern）核心流程： 规划器（Planner）：将用户查询分解为多个子任务（Generated tasks）。
4.9K10编辑于 2025-05-07Agent设计模式（4）：Tool Use模式——构建安全的多工具Agent
没有工具，Agent就是个会聊天的AI； 有了工具，Agent就是能干活的数字员工。 PermissionError: 无权限访问 """ pass 精准的描述应该包含： 功能：工具能做什么 限制：工具不能做什么 参数：每个参数的详细说明 返回值：返回数据的结构 异常：可能抛出的错误 ▪ 原则4： 添加允许使用的工具 safe_globals.update(global_vars) # 4. _': iter, '_iter_unpack_sequence_': guarded_iter_unpack_sequence, } # 4. 写Python代码调用工具 4. 从输出中提取关键信息 5.
42710编辑于 2026-05-09- 来自专栏玩转Lighthouse
玩转Hermes Agent｜云上Hermes Agent配置大模型指南
6可选模型：claude-opus-4-7（最新旗舰）、claude-opus-4-6、claude-sonnet-4-6（推荐，性价比高）、claude-opus-4-5-20251101、claude-sonnet -4-5-20250929、claude-haiku-4-5-20251001（快速版）OpenRouter（模型聚合平台）获取APIKey：https://openrouter.ai/keysOpenRouter ：gpt-5.4、gpt-5.4-pro、gpt-5.4-mini、gpt-5.4-nano、gpt-5.3-codex、gpt-5、gpt-4o、gpt-4o-mini、o3、o3-mini、o4-miniℹ️ hermes/config.yaml，添加：展开代码语言：YAMLAI代码解释fallback_model:provider:openroutermodel:anthropic/claude-sonnet-4配置模型别名设置短别名方便在聊天中快速切换 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
3.2K65编辑于 2026-04-26 - 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。
27001编辑于 2025-05-24 开源项目观察｜ds4：本地 Agent 推理，不只是把模型跑起来
表面上看，它是在做“本地跑大模型”；实际上ds4有意思的地方在于，它把本地推理往Agent工作流这一层推进了一步。 被放弃的通用性很多本地推理Agent项目会追求通用性：支持更多模型、更多格式、更多硬件、更多后端。但ds4走的是反方向。 通用框架的优势是覆盖面广，生态更大；专用引擎的优势是可以围绕一个模型、一类硬件和一种使用方式做更深的优化。ds4就是后者：先让一个模型在本地Agent场景里尽量跑得完整，并不考虑把所有的模型都接进来。 这说明社区不是只在围观“能不能跑”，也在尝试把它接进真实的Agent使用流程。小结ds4的意义不在于证明“本地模型可以替代云端模型”。 所以，ds4值得关注的地方，是它把一个更具体的工程问题摆到了台面上：本地Agent推理，也许需要一套不同于普通聊天模型的工程系统。
52910编辑于 2026-05-12- 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
本文将在langchain4j官方示例基础上(不熟悉langchain4j的朋友，请移步langchain4j学习系列），介绍几个主要模式的用法，今天先来看最基本的Agent如何实现 为方便讨论，先交待一下这一系列的业务背景 AiService，只不过这里我们使用了@Agent这个注解，需要添加下面的依赖 1 <dependency> 2 <groupId>dev.langchain4j</groupId> 3 、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。
93510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。 比如让模型规划一趟从旧金山到印度的两周旅行，预算5000美元，结果它给你规划到越南去了；或者确实规划了印度行程但预算直接超了。 工具失败：这又分好几种情况。
1.1K10编辑于 2026-01-12 - 来自专栏Michael阿明学习之路
4. 训练模型
线性模型正则化 4. 早期停止法（Early Stopping） 本文为《机器学习实战：基于Scikit-Learn和TensorFlow》的读书笔记。 中文翻译参考 1. (100,1) y = 4+3*X+np.random.randn(100,1) plt.plot(X,y,"b.") plt.axis([0,2,0,15]) ? 上图显示训练集和测试集在数据不断增加的情况下，曲线趋于稳定，同时误差都非常大，欠拟合 欠拟合，添加样本是没用的，需要更复杂的模型或更好的特征 模型的泛化误差由三个不同误差的和决定： 偏差：模型假设不贴合 ，高偏差的模型最容易出现欠拟合 方差：模型对训练数据的微小变化较为敏感，多自由度的模型更容易有高的方差（如高阶多项式），会导致过拟合 不可约误差：数据噪声，可进行数据清洗 3. ElasticNet(alpha=0.1, l1_ratio=0.5) elastic_net.fit(X, y) elastic_net.predict([[1.5]]) # array([4.99822842]) 4.
71640发布于 2021-02-19 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。 天数WorkBuddy动作Qclaw介入Day 1Plan模式，5分钟输出完整技术方案—Day 2-3Craft模式，自动生成后端算法+前端页面+迁移脚本—Day 4—扫描出5个问题：递归深度未限制、大数据页面卡顿 4.2 配置核心模块（腾讯云AI开发套件）零代码模式，4步上线：选择大模型（DeepSeek / 混元双引擎）配置系统提示词和知识库开启联网搜索、文件上传等扩展能力一键接入小程序、H5或公众号客服代码开发模式
21110编辑于 2026-06-09- 来自专栏CreateAMind
实现最小意识模型-4 自我模型和世界模型
3.2自我模型和世界模型 我们在这里归类的模型都有一个共同的想法，那就是，对于一个有意识的事物来说，这个事物必须能够塑造它自己和它的世界:换句话说，有意识就是成为那种参与情境自我塑造的事物。 因此，所提出的MUM可以被视为生成类似IWMT的模型的尝试，尽管该模型具有更少的理论假设集，专注于意识体验所必需的核心组件，并进一步描述如何从其他理论中找到趋同支持。 根据IWMT的观点，意识是一个整合世界模型的过程。 更确切地说，意识将对应于正在进行的关于被体现的主体的可能感觉状态的推论或预测的产生；这些推论是以因果世界模型为条件的，而因果世界模型又是从生态位内的目标追求历史中训练出来的。 这些世界模型具有空间、时间和因果的一致性。
75430编辑于 2023-11-01 - 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。
57910编辑于 2026-01-12 - 来自专栏小雨的CSDN
4. 软件测试 —— 测试模型（V模型 W模型）
【软件开发的周期：、需求分析、设计、实现、测试、安装部署、运行维护】 【软件测试的周期：、需求分析，测试计划，测试设计/测试开发，测试执行，测试评估】 软件测试v模型 （v模型是瀑布模型的变种） 优点：后期的测试阶段和前期的阶段可以一一对应起来，清楚的标注每一个测试阶段的依据 缺点：不利于项目前期风险的及时发现 软件测试W模型（双V模型） 特点:测试在项目前期介入，对需求，系统设计等都会进行验证
2K30编辑于 2022-10-26
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