- 综合排序
- 最热优先
- 最新优先
- 来自专栏技术杂记
Zabbix Agent 安装6
配置完监控插件后，要重启agent Note: 如果不重启，就读不到新添的配置，从服务端尝试获取信息，会出现如下报错 [root@zbx-server zabbix_agentd.d]# zabbix_get [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: ，创建 Graphs ，拼接 Screens 就可以展示出非常炫目的dashboard效果 ---- 命令汇总 wget http://repo.zabbix.com/zabbix/2.4/rhel/6/ x86_64/zabbix-release-2.4-1.el6.noarch.rpm zabbix_get -s zbx-target -p 10050 -k "system.cpu.load[all,
88110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AgenticAI
6种AI Agent模式详解
img 随着基于大型语言模型的系统日益复杂，智能体工作流的设计也变得愈发重要。虽然简单的应用可能仅依赖于一个自主智能体，但更高级的用例通常需要多个智能体之间的协作，每个智能体负责一个特定的角色。 一开始，通常会采用单智能体模型。然而，随着功能的扩展，例如引入规划、决策、或对特定工具的集成，将所有职责集中在一个智能体中会变得效率低下且难以管理。 img 特点： 适用于线性或流程简单的任务 所有逻辑与决策均由一个模型内部处理 几乎不需要协调机制 适用场景： 快速原型开发、FAQ 问答机器人、单一功能应用等 2. 适用于按领域或部门划分逻辑的系统 每个监督者管理一组特定任务或智能体 优势： 高度可扩展且结构清晰 各层级具备模块化控制能力 挑战： 实现复杂度较高 层级之间需要明确定义接口 适用场景： 企业级系统、多领域编排任务 6. 随着基于大语言模型的系统不断扩展复杂度，使用清晰、可维护的智能体结构模式来组织系统架构，变得尤为关键。
1.1K10编辑于 2025-07-27 - 来自专栏Langchain
【LangChain系列6】【Agent模块详解】
agent: LangChain中的agent与用户输入进行交互，并使用不同的模型进行处理。Agent决定采取何种行动以及以何种顺序来执行行动。 添加描述1-4、langchain解决的一些行业痛点在使用大模型的过程中，一些行业痛点：大模型的使用规范以及基于大模型的开发范式不尽相同，当使用一个新模型时，我们往往需要学习新的模型规范。 大模型知识更新的滞后性大模型的外部API调用能力大模型输出的不稳定问题，如何稳定输出？大模型与私有化数据的连接方式？ 2、右侧内容：Agent：Agent主要的组成是大模型+一系列提示策略提示策略（Prompting Strategies）： 主要包含Agent的核心执行思想React（推理+行动），OpenAI Functions 与语言模型集成：OpenAIFunctionsAgent 允许语言模型调用这些自定义函数，就像调用内置函数一样。这使得模型能够执行更复杂的任务，如数据检索、文件处理等。
2.8K11编辑于 2025-01-13 - 来自专栏XINDOO的专栏
Agent设计模式——第 6 章：规划
明确定义了一个 ChatOpenAI 语言模型供 Agent 使用。创建了一个名为 plannerwriter_agent 的 Agent，具有特定的角色和目标：规划然后撰写简洁的摘要。 它利用一个先进的 Agent 模型，可以独立推理、规划和从现实世界来源综合信息。 可扩展性： 它支持模型上下文协议（MCP），使开发人员能够将 Agent 连接到私有知识库和内部数据源，将公共网络研究与专有信息混合。 要使用 API，您向 client.responses.create 端点发送请求，指定模型、输入提示词和 Agent 可以使用的工具。 推理步骤：模型生成的内部计划和摘要。
64110编辑于 2025-10-27 - 来自专栏AIOT
在Jetson上玩转大模型Day17：NanoLLM开发平台(6)：AI Agent功能
虽然大语音模型为AI开启新的纪元，但是我们只能将这些模型视为AI能量的供应源，与我们所需要的流程类应用还有段差距，因为再厉害的大语音模型也都有各自擅长的部分，要搭建一个完整的应用，需要更多配套的组件共同完成任务 下图就是技术Llamaspeak项目的简单示意图：实时上，在这里的流程中有很多环节是固定的，主要会有所不同的部分是在于以下部分：模型选型：按照前面项目的案例，如果我们选择能支持多模态的模型，那么这个应用就具备多模态识别的能力 虽然我们在Llamaspeak项目中只调用nano_llm.agents.web_chat这个agent，但是里面直接包含VoiceChat agent的功能，因此就能直接使用浏览器指定的麦克风与音箱进行对话 一个基于大语言模型的agent基础结构如下：可以看得出要建构一个agent也不是一件简单的事情，这也不是本文的所要传递的重点。 对于绝大部分不知道该怎么创建Agent的人来说，真的非常方便，目前NanoLLM已经提供非常充足的Agent插件，当然也允许开发人员自行创建有针对性的插件，去完成特定的工作。
45710编辑于 2024-12-17 - 来自专栏NLP/KG
大模型应用：大模型AI Agent在企业应用中的6种基础类型，企业智慧升级必备
大模型应用：大模型AI Agent在企业应用中的6种基础类型，企业智慧升级必备 AI Agent 智能体在企业应用中落地的价值、场景、成熟度做了分析，并且探讨了未来企业 IT 基础设施与架构如何为未来 需要注意的是，在 C 端工具中，也经常看到各种形式的简单 “助手”： 这里的助手与这里探讨的企业应用中的 AI Agent 有一定的区别： AI Agent 是一个以任务驱动的具备自主能力的智能体，不仅需要大模型这个核心 通俗地说，就是在企业应用中，通过 “外挂” 私有知识库来扩充大模型的知识储备，以提供基于自然语言的、对话式的企业私有知识访问（对应到 AI Agent 的基本能力之一：持久化记忆），以解决通用大模型在面向企业应用时领域知识不足导致的幻觉问题 6.自定义流程助手 最后一种 AI Agent 严格来说是上面的几种基础 Agent 能力的组合。 框架来实现 以上，对企业应用中的大模型 AI Agent 从技术原理层面区分的几种类型做了简单探讨。
3.1K33编辑于 2024-05-07 - 来自专栏GPUS开发者
在Jetson上玩转大模型Day17：NanoLLM开发平台(6)：AI Agent功能
虽然大语音模型为AI开启新的纪元，但是我们只能将这些模型视为AI能量的供应源，与我们所需要的流程类应用还有段差距，因为再厉害的大语音模型也都有各自擅长的部分，要搭建一个完整的应用，需要更多配套的组件共同完成任务 下图就是技术Llamaspeak项目的简单示意图： 实时上，在这里的流程中有很多环节是固定的，主要会有所不同的部分是在于以下部分： 模型选型：按照前面项目的案例，如果我们选择能支持多模态的模型，那么这个应用就具备多模态识别的能力 虽然我们在Llamaspeak项目中只调用nano_llm.agents.web_chat这个agent，但是里面直接包含VoiceChat agent的功能，因此就能直接使用浏览器指定的麦克风与音箱进行对话 一个基于大语言模型的agent基础结构如下： 可以看得出要建构一个agent也不是一件简单的事情，这也不是本文的所要传递的重点。 对于绝大部分不知道该怎么创建Agent的人来说，真的非常方便，目前NanoLLM已经提供非常充足的Agent插件，当然也允许开发人员自行创建有针对性的插件，去完成特定的工作。
37010编辑于 2024-12-19 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。 技术负责人（Tech lead agent）、开发运维（DevOps agent）、工程师（SDE agent）：各司其职，协作完成任务。
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 - 来自专栏苏三说技术
AI Agent中6种常用的设计模式
前言 在AI Agent概念井喷的2026年，我见过太多团队拿着大模型API就直接开干，结果要么是上帝提示词堆到失控，要么是Agent陷入死循环疯狂消耗Token，最终灰溜溜地回头重新设计。 大模型本身不是银弹，如何正确地组织Agent、规划任务、调用工具，才是决定AI应用能否落地的核心密码。 今天，我将结合Spring AI Alibaba和AgentScope等主流框架的最佳实践，跟大家一起聊聊AI Agent开发中6种最实用的设计模式。 希望对你会有所帮助。 一句话定位：让Agent“长出手脚”，连接外部世界的能力。 单纯的大模型只有文本生成能力，无法获取实时信息或执行具体操作。 分解任务，子Agent执行 企业级任务调度 嵌套模式 Agent内部包含子Agent 复杂分层系统 转交模式 Agent无法处理时转交其他Agent 客服升级场景 群聊模式 多个Agent自由讨论 创意头脑风暴
10410编辑于 2026-04-14 - 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
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 其Multi-Agent系统可以执行LLM生成的代码，允许在系统执行过程中的人员参与。 6. given that $x+y \\neq -1$ and \\begin{align} ax + by + c & = x + 7,\\ a + bx + cy & = 2x + 6y 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
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 6DRepNet[2]中给出的预训练模型是以pth结尾的Pytorch导出模型，Pytorch虽然也简单，但我们不打算使用，因为Pytorch更偏向于为算法工程师提供训练模型流程。 模型本身是自解释的，当你有了ONNX模型，你只需要使用https://netron.app/即可查看模型的输入输出，仍然以6drepnet360为例。 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 - 来自专栏存储内核技术交流
redis 6多线程模型
redis 多线程架构 redis6之前的版本一直单线程方式解析命令、处理命令，这样的模式实现起来简单，但是无法使用多核CPU的优势，无法达到性能的极致；到了redis 6，redis6采用多线程模式来来读取和解析命令 ，但是命令的执行依然通过队列由主线程串行执行，多线程的好处是分离了命令的解析和命令执行，命令的解析有独立的IO线程进行，命令执行依旧有main线程执行,多线程增加了代码的复杂度 开启多线程模型 Redis.conf readQueryFromClient->processInputBuffer->processCommandAndResetClient->processCommand->call } } } //多线程模型初始化
59520编辑于 2022-08-17 - 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。 Q6: 总结一下论文的主要内容？ 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 - 来自专栏哆哆Excel
Thinkphp6（6）模型学习与知识总结（二）
Thinkphp6（6）模型学习与知识总结（二） 上一次学习了模型，对模型有一点小认识，今天再来学习一下，我一开始是没有想到要学习模型，原因是CURD（增删改查）中很多可以用Db类在控制器中完成，其实模型有很多好东西的 COMMENT '删除时间', PRIMARY KEY (id) ) ENGINE=InnoDB AUTO_INCREMENT=15 DEFAULT CHARSET=utf8; 二、再建立一个模型 位字符型的数字以方便测试用的 public function numStr($num) { static $seed = array(0,1,2,3,4,5,6,7,8,9 第一步，你要在数据表中有一个字段是delete_time, 第二步要在模型中引入类：use think\model\concern\SoftDelete;， 第三步在模型中开启//开了软删除功能 ，这也是模型类的好处哦
1.2K30编辑于 2022-10-25 - 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
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