- 综合排序
- 最热优先
- 最新优先
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。 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。 执行与反馈：AI Agent 按照规划的步骤执行操作，并将结果反馈给用户。如果任务未完成或出现问题，它会根据反馈调整策略，重新尝试或寻求帮助。 下面介绍5种常见的AI Agent模式：1. 5. 多智能体模式（Multi-agent Pattern）正在上传图片...核心架构： 角色分工： 项目经理代理（PM agent）：协调任务分配（Delegation）。
4K10编辑于 2025-05-07- 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 - 来自专栏技术杂记
Zabbix Agent 安装5
这个脚本是用来进行端口发现的，作为基础服务提供给其它监控条目使用 Note: zabbix用户要有这个脚本的执行权限，因为实际信息收集过程中，是以zabbix这个用户的身份进行的 [root@zbx-
83810编辑于 2022-03-21 - 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 5分钟在 Mac 上跑通 Hermes Agent：接入 DeepSeek 模型实战
Mac（AppleSilicon）：M1/M2/M3芯片性能强劲，macOS原生支持Python和Node.js，安装无障碍DeepSeek：API价格仅为Claude/GPT的5-10%，中文能力顶级 ，执行：展开代码语言：BashAI代码解释curl-fsSLhttps://hermes-agent.org/install.sh|bash等待安装完成（约1-2分钟）。 A：个人日常使用（每天20-50次对话），月费用约5-15元人民币。Q2：MacIntel芯片可以用吗？A：可以，安装和使用流程完全一致。 只是运行本地模型（Ollama）时性能不如AppleSilicon。Q3：能用其他国产模型吗？A：当然可以。 HermesAgent支持Qwen、Kimi、MiniMax、GLM等国产模型，只需更换API配置即可。
22210编辑于 2026-04-15- 来自专栏运维经验分享
Zabbix agent on Zabbix server is unreachable for 5 minutes
Zabbix agent on Zabbix server is unreachable for 5 minutes 环境描述： 环境介绍：CentOS6.5 zabbix3.2.6（ 问题详情： 邮件提示Zabbix agent on Zabbix.server is unreachable for 5 minutes 192.168.1.37": host [zabbix.server] not found 2751:20170622:171108.502 enabling Zabbix agent
2.5K20发布于 2019-08-27 - 来自专栏运维经验分享
Zabbix agent on Zabbix server is unreachable for 5 minutes
Zabbix agent on Zabbix server is unreachable for 5 minutes 主机运行时,会报这个错,所以要先按安装Zabbix agent, Zabbix-server 在监控的过程中，发现Web上报错提示zabbix server与agent之间已经失联超过5分钟了，为了找到问题出现的根本原因，在troubleshouting的时候，应该首先去查看服务对应的日志。 :092458.636 agent #2 started [listener #2] 23914:20170310:092458.636 agent #0 started [collector] :103011.663 agent #3 started [listener #3] 26170:20170310:103011.663 agent #2 started [listener #2 tmp]# /etc/init.d/zabbix-agentd restart Shutting down Zabbix agent: [ OK ] Starting Zabbix agent
3.2K30发布于 2019-08-27 - 来自专栏linux commands
Zabbix agent on Zabbix server is unreachable for 5 minutes
笔者在维护zabbix服务时，遇到以下报警 Zabbix agent on Zabbix server is unreachable for 5 minutes 在互联网查询了相关资料后，更改配置文件中 root@localhost ~]# vim /etc/zabbix/zabbix_agentd.conf …… ServerActive=%zabbix_serve_ip% …… 重启zabbix-agent [root@localhost ~]# /etc/init.d/zabbix-agentd restart Shutting down Zabbix agent: [ OK ] Starting Zabbix agent: [ OK ] 问题得以解决.
1.2K20发布于 2021-08-12 - 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 - 来自专栏设计模式
Google 官方：5 种 Agent Skill 设计模式
5.流水线（Pipeline）：通过检查点强制执行严格的多步骤工作流程 模式 1：工具包装（Tool Wrappe） 工具封装器可为你的智能体提供特定库的按需上下文。 以下是一个工具包装器的示例，它教会Agent如何编写 FastAPI 代码。 请注意，指令明确地告诉Agent，只有在开始审查或编写代码时才加载 . Step 5: Return the completed report as a single Markdown document. - Q5: "Do you have any technology stack requirements or preferences?" 5. Iterate on feedback until the user confirms 模式 5：流水线（Pipeline） 对于复杂任务，容不得跳过任何步骤或忽略任何指令。
30710编辑于 2026-04-10 - 来自专栏QGS星球
zabbix5—agent2监控PostgreSQL
data/pg_hba.conf #添加如下内容 表示所有地址都可以访问 host all all 0.0.0.0/0 md5 yum -y install zabbix-agent2 提示后输入y回车即可 ls -l /etc/zabbix/zabbix_agent2.conf 开机启动 zabbix-agent2 systemctl enable --now zabbix-agent2 yum -y install net-tools 查看端口 netstat -tnlp|grep zabbix 查看验证zabbix-agent2 /zabbix_agent2.conf :wq 退出保存 检查并查看修改了什么 grep -Ev '^#|^$' /etc/zabbix/zabbix_agent2.conf 改完一定都要~重启zabbix_agent2 Zabbix server可以单独监视远程服务器的服务状态；同时也可以与Zabbix agent配合，可以轮询Zabbix agent主动接收监视数据（agent方式），同时还可被动接收Zabbix agent
1.6K10编辑于 2023-12-30 - 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 5. Autogen的核心特性：可定制的Agent AutoGen 中的Agent具有由 LLM、人工、工具或这些元素混合启用的功能。 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
如果将视觉模型按照LLM工具调用方式嵌入到大语言模型应用中，给大语言模型插上视觉模型必定能让你的LLM应用更为有趣。 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 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” ？
它为大模型配备了“规划大脑”“分身助手”“文件记忆”和“详细指令”，让 AI 不再只是回答问题，而是能像一个真正的项目执行者那样——先想全局，再分解任务，最后一步步落地完成。 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”。 , allowed_tools=[] # 它不需要外部工具，它的工具就是大模型本身的写作能力 ) # 将所有子智能体组合成一个团队 sub_agent_team = [researcher, 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。 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。 这些实验不仅证明了Agent-FLAN方法的有效性，还提供了对代理调优机制的深入理解，包括数据和模型规模的动态关系，以及一般任务和代理特定任务之间的复杂联系。 Q5: 有什么可以进一步探索的点？ 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XINDOO的专栏
Agent设计模式——第 5 章：工具使用（函数调用）
工具使用模式概述 到目前为止，我们讨论的 Agent 模式主要涉及编排语言模型之间的交互和管理 Agent 内部工作流中的信息流（链式、路由、并行化、反思）。 随后，将构建并配置一个 Agent 以利用此工具响应用户输入。执行此示例需要安装核心 LangChain 库和特定于模型的提供程序包。 =True # 在生产环境中设置为 False 以获得较少的详细日志 ) ## --- 5. ) ## 运行示例的主异步函数 async def main(): await call_agent_async("计算 (5 + 7) * 3 的值") await call_agent_async 结论 工具使用模式是将大型语言模型的功能范围扩展到其固有文本生成能力之外的关键架构原则。通过为模型配备与外部软件和数据源交互的能力，此范式允许 Agent 执行操作、进行计算并从其他系统检索信息。
1.8K10编辑于 2025-10-27 - 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
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 5 养眼的天工AI图片生成 https://mp.weixin.qq.com/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 天工的AI生图基于自然语义的理解，在风格上可以按照自己的想法进行陈述。
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 安全调用：输入消毒 →沙箱执行 →输出过滤 性能监控：全链路追踪与熔断机制 三、落地实践：行业解决方案精析 3.1 智能客服系统 业务价值 客服人力成本降低40%-60% 服务响应速度提升5-
29310编辑于 2025-04-09
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