- 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
71930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:。
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
96610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。
55510编辑于 2025-10-27 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）。
4K10编辑于 2025-05-07- 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。
42810编辑于 2025-03-17 - 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。
11610编辑于 2026-04-11 - 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
2.4K20发布于 2020-07-07 - 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。
58510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。
70110编辑于 2026-01-12 - 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。
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
目前，业界一般认为基于大模型的应用集中在两个方向上：RAG 和 Agent，无论哪一种应用，设计、实现和优化能够充分利用大模型(LLM)潜力的应用都需要大量的努力和专业知识。 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 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.
59940发布于 2021-02-19 - 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。 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！ 6DRepNet [3] PINTO_model_zoo: https://github.com/PINTO0309/PINTO_model_zoo/tree/main/423_6DRepNet360 [4]
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”。 4、下达“书面合同” —— 结构化提示 (Detailed Prompting) 最后，为了驯服这匹强大的“野马”，我们采用了结构化提示。 我们需要做的是： 1、制定项目计划书 (规划与结构化提示) 2、组建专家团队 (定义子智能体) 3、提供工具箱 (定义可用工具) 4、下达开始指令并等待交付 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
基于上述发现，我们提出了 Agent-FLAN 来有效地微调代理的 LANguage 模型。 论文还提供了代码，以便社区可以访问和使用Agent-FLAN方法。 Q4: 论文做了哪些实验？ 在Llama2系列模型上的微调：在不同规模的Llama2模型上应用Agent-FLAN方法，并在多个代理评估基准上测试模型的性能，包括一般代理任务和工具使用。 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。 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 - 来自专栏菩提树下的杨过
Agent设计模式学习(基于langchain4j实现)(4) - 并行工作流
，Spring Boot，PostgreSQL，Docker，Kafka（基础），CI/CD，REST设计，整洁代码，指导新人 17 语言：荷兰语（母语），英语（C1），法语（B1） 二、定义各种审查Agent 2.1 HrCvReviewer 1 public interface HrCvReviewer { 2 3 @Agent(name = "hrReviewer", description {candidateCv}} 15 """) 16 CvReview reviewCv(@V("candidateCv") String cv); 17 } 三、并行Agent 82行，即为3个评审Agent并行执行的结果。 Anthropic [译] AI Workflow & AI Agent：架构、模式与工程建议（Anthropic，2024） Agents and Agentic AI | LangChain4j
23410编辑于 2026-01-18 - 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。
65130编辑于 2023-11-01
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