- 综合排序
- 最热优先
- 最新优先
- 来自专栏服务端技术杂谈
为了Agent而Agent？
主要讲的是如何选取Agent主流框架的逻辑。 讨论了两种路径，workflows和agent。 我理解大概率是为了Agent而Agent所找的一个所谓具有代表性的例子吧。 而且你现在用Agent，未来扩展性也是一个问题。 业务想要扩展一个新的场景逻辑，你敢直接用Agent承接吗？ 有人说，我们会在Agent上线之前，充分评估模型，确保Agent可以适配新的业务场景需求。 但是业务不会等你Agent ready之后再开量啊。 而Agent更适合人机协作，比如AI Coding或其他chatbot，因为有个人在旁边可以为Agent的不可控进行兜底。 大家用Agent的目的很多时候并不是从第一性原理出发，很多时候都是为了Agent而Agent，想一想Agent真的比workflow好吗？
29810编辑于 2026-03-11 Agent开发-Agent Skills总结
WHO（谁负责） Skill 涉及三个角色，职责清晰分离： 角色 负责什么 核心能力 应用层（Agent框架） 技能注册、权限控制、元数据注入、实际执行 确定性、安全性、管理性 LLM 理解元数据、匹配用户意图
22010编辑于 2026-06-25Agent开发-Agent Skills是什么
Discovery (扫描)：Agent 启动时，只读取 SKILL.md 里的 name 和 description。内存占用极小，只为了“知道有什么”。 2. Agent Skills最大的改变就在于渐进式披露，其本质依然是行业中大家都在不断优化的提示词工程和上下文工程，其对提示词做了标准化拆分，通过在本地创建相关文件并控制文件的读取，只在Agent需要时自主且自动加载内容 反观Skills，Agent 最初只加载多个 Skills 的元数据（每个 Skill 占用几百 token），当 Agent 认为需要使用某个具体的 Skill，就会读取这个 Skill.md 说明（ 几千 token） Skill 里还可以无限嵌套下去，告诉 Agent，想要深入了解某个具体问题，还可以继续读取哪份文件。 官方文档： https://platform.claude.com/docs/en/agents-and-tools/agent-skills/overview
19210编辑于 2026-06-25- 来自专栏Agent Apps
告别Agent Skills, 拥抱 Agent Apps
这正是面向Agent的TUI（AOTUI）要回答的问题。是什么：一种新的界面范式面向Agent的文本用户界面（AOTUI）是一种以LLMAgent为一等公民的界面范式。 没有鼠标点击，Agent调用Tool/Funtion。没有视觉提示（颜色、布局、头像），数据通过文本引用来引用。简言之：AOTUI就是当你为模型而非人类设计时，用户界面的样子。 AOTUI如何重建桥梁AOTUI为没有鼠标的Agent解决了问题的三个部分——识别、选择和触发。 下一步：[认识Agentina→](https://agentina-agent-apps.vercel.app/en)—基于AOTUI构建的Agent应用宿主。
33310编辑于 2026-03-06 - 来自专栏Python
理解 Agent2Agent(A2A)、Agent to Agent和链式函数调用的区别与联系
在构建 AI 智能体系统或多模块任务执行架构时，我们常会遇到三个关键术语： Agent to Agent 链式函数调用 Agent2Agent (A2A) 它们看似类似，甚至常被混用，但实际上分别属于不同的抽象层次 两个 Agent 间的信息传递行为 多智能体协同、机器人通信 Agent2Agent (A2A) 系统架构层 一个 Agent 主动调用其他 Agent 协作解决问题 LLM Agent 编排、AutoGen Agent2Agent 像一个“项目经理型 AI”会调度多个“专家型 AI”组成动态团队，解决复杂任务 类比一句话总结： 链式函数调用像拼装生产线，Agent to Agent像员工交流，而Agent2Agent Agent to Agent（通信范式） # 每个 Agent 通过消息交互完成任务 agent_A.send("get data") agent_B.receive("get data").send( 中的 planner_agent.plan() → 调用搜索、总结、编码 agent 七、总结一句话 链式函数调用解决“流程”，Agent to Agent定义“协作”，而Agent2Agent打造
1.3K10编辑于 2025-07-10 - 来自专栏XINDOO的专栏
Agent设计模式——附录 G - 编码 Agent
最高效的开发团队不仅将任务委托给 Agent，更通过整套复杂编码 Agent 实现自我增强。这些 Agent 扮演着不知疲倦的专业团队成员角色，放大人类创造力并显著提升团队扩展能力与开发速度。 Agent 虽能力强大，但定位为支持性协作者。开发者指导具体 Agent 调用、提供必要上下文，并最关键地——对 Agent 生成输出行使最终裁决权，确保其符合项目质量标准与长期愿景。 本框架致力于在人类领导与底层模型原始能力间建立最纯净对话通道，确保每个 Agent 均以峰值潜力运行。 该框架构建为专业化 Agent 团队，每个 Agent 针对开发生命周期中的核心功能专门设计。 专业化 Agent 团队： 通过定向提示工程，我们可构建专业分工的 Agent 团队，每个成员针对特定开发任务深度优化。 流程 Agent：代码质量监督员 批判分析： Agent 执行初步审查，识别潜在缺陷、编码规范违规及逻辑漏洞，功能类似静态分析工具。 深度反思： Agent 对自身批判进行元分析。
54010编辑于 2025-10-27 - 来自专栏红队蓝军
java agent使用与agent内存马
什么是java agent 本质是一个jar包中的类，有两种实现，第一种是通过permain()函数实现。 Java agent的使用方式有两种： 实现premain方法，在JVM启动前加载。 实现agentmain方法，在JVM启动后加载。 agent基础使用 环境搭建 agent项目源码 agent： package com.naihe; import java.io.IOException; import java.lang.instrument 并没有使用字节码相关的库 二，修改MANIFEST.MF 使用解压工具打开MANIFEST.MF，并修改内容 Premain-Class: com.naihe.agent Agent-Class: com.naihe.agent : com.naihe.agent Agent-Class: com.naihe.agent Can-Redefine-Classes: true Can-Retransform-Classes: true
1.6K20编辑于 2022-04-13 agent-governance如何审计自治Agent
先给结论这个工具真正解决的麻烦不是“再生成一个Agent”，而是在Agent调用工具、访问数据库、发送邮件或执行代码之前，加入可执行的策略门禁、身份记录、沙箱和可靠性检查。 它补的是Agent执行链路里的硬门禁如果一个Agent只是在聊天窗口里回答问题，风险还主要集中在提示词、内容安全和检索资料质量上。 第一层是Agent身份：不要让五个Agent共用一个APIkey，否则事故发生时只能看到“某个key做了事”，无法定位具体Agent。 是否值得放进日常短期判断很清楚：如果你的Agent已经在调用外部工具，尤其是数据库、邮件、文件系统、浏览器、代码执行或多Agent委派，那么agent-governance-toolkit值得安排一次小实验 Agent的上线前检查清单。
13310编辑于 2026-07-04- 来自专栏红队蓝军
java agent使用与agent内存马
什么是java agent 本质是一个jar包中的类，有两种实现，第一种是通过permain()函数实现。 agent基础使用 环境搭建 agent项目源码 agent： package com.naihe; import java.io.IOException; import java.lang.instrument 使用解压工具打开MANIFEST.MF，并修改内容 Premain-Class: com.naihe.agent Agent-Class: com.naihe.agent Can-Redefine-Classes /12107/Desktop/agent.jar 动态修改class 清除之前的内容 正常运行 运行attach 可以看到Demo的test方法已经被修改了 agent内存马 搭建一个简单的 命名为agent2 打包好的jar就在如下位置 修改MANIFEST.MF 老样子在前面添加 Premain-Class: com.naihe.agent Agent-Class: com.naihe.agent
1.6K10编辑于 2022-05-17 Agent设计模式（6）：Multi-Agent模式——构建多Agent协作系统
在前面五篇文章中，我们探讨了单Agent的各种核心模式： Reactor让Agent懂感知和反应； Planner让Agent会规划； Tool-Use让Agent能调用外部工具； Memory让Agent 但现实世界的问题往往太复杂，单一Agent难以胜任。就像一个人解决不了所有问题，多个专业分工的Agent协作才是正解。 这就是今天要讲的Multi-Agent模式。 一、为什么需要多Agent？ 专业化：每个Agent专注一个领域，深度更好 2. 并行化：多个Agent同时工作，效率更高 3. 容错性：单个Agent失败不影响整体 4. 可扩展：新增功能只需添加新Agent 二、Agent角色设计：职责分离 Multi-Agent系统的第一步是角色定义。 ） 个人助理Agent（日程、邮件、笔记） 数据分析Agent（读取、分析、可视化） 客服Agent（问答、转接、知识库） 结语 Multi-Agent模式是Agent设计的高阶形态，它让我们能够构建更强大
1K12编辑于 2026-05-09- 来自专栏AI
Agent详解
在计算机科学中，Agent（代理）是一种可以在某种环境中自主行动以达成其设计目标的计算实体。Agent可以是物理实体（如机器人）或虚拟实体（如软件程序）。在本文中，我们将主要关注软件Agent。 Agent的定义 在软件领域，Agent被定义为一个程序，它可以在某种程度上自主地在环境中行动，以达成其设计目的。 Agent的行为通常是响应环境的变化，这种变化可以是外部输入，也可以是Agent自身的状态变化。 Agent的分类 根据Agent的复杂性和自主性，我们可以将Agent分为以下几类： 简单Agent：这种Agent只能执行一些预定义的任务，它们的行为通常是固定的，不会根据环境的变化而改变。 根据Agent的复杂性和自主性，我们可以将Agent分为简单Agent、反应性Agent、有目标的Agent和学习Agent。
2.6K00编辑于 2025-04-22 - 来自专栏111222444
Agent Harness
Agent Harness（智能体驾驭层/运行框架） 是包裹在大模型（LLM）之外、让它能真正执行任务而非只"说"不"做"的那整套工程运行时基础设施。 业界共识公式：Agent = Model（大模型）+ Harness（驾驭层） 为什么叫 Harness？ 决定 Agent "怎么跑"。 ️ / OpenCode 本质上就是围绕某模型构建的 Agent Harness，所以同一模型配上不同 Harness 体验差异巨大。 你之前问的 AI 开发三阶段里，Harness 阶段正是从"写好 Spec"演进到"构建这套可靠的运行系统让 Agent 自主完成任务"。
21030编辑于 2026-06-11 Agent responsibly
passingCIismerelyareflectionoftheagent'sabilitytopersuadeyourpipelinethatachangeissafe,evenifitwillimmediatelydegradeyourinfrastructureatscale.Agent
14610编辑于 2026-06-11- 来自专栏前端小羊
Agent Harness
Harness Agent（或称 Agent Harness） 不是某个具体产品名，而是指给大模型套上"工程外壳"后形成的、可自主执行任务的完整智能体系统。 核心定义 业界共识公式： Agent = Model（大模型）+ Harness（驾驭层/运行框架）Model：负责推理、理解、生成文本（LLM 本身只会 input→output）Harness：模型之外的一切工程设施 ——它把裸模型变成能在真实环境干活的 AgentHarness 通常包含： 组件作用ReAct / Plan-Act-Observ 循环驱动 Agent 多步推理而非单次问答工具系统（Tool Calling 像 Claude Code、Cursor Agent、OpenCode、GitHub Copilot Workspace 表面是 AI 编程助手，本质上是围绕某模型构建的 Agent Harness 一句话理解 裸 LLM 是"会说话的引擎"，Harness 是"方向盘+刹车+仪表盘+道路规则"，二者结合才是能上路干活的 Harness Agent（完整智能体）。
41710编辑于 2026-06-11 Agent真的卷疯了，AI办公Agent也来了。
我一直说，每个行业，都一定会有专门优化的垂直领域的Agent。 你看，通用Agent的王座上有Manus，研究类的有DeepResearch，旅游有飞猪问一问，设计类有Lovart。 因为作为一个Agent产品的第一代，做的功能确实完整，产品体验也很棒，而且它对大家的办公场景，是真的还有点用。分为海外版和国内版。 单就PPT这个Agent的体验上，非常完整了，很好的诠释了什么是办公场景的全链路。 价格上，海外版价格在大部分的同类型Agent产品中，价格算中档。 但是坦诚的讲，相比于大家日常用的非Agent的AI产品，会贵一些，毕竟整体Agent算力消耗在这。 Agent，会更优雅。 >/ 作者：卡兹克、水杉
81510编辑于 2025-05-23Agent 小知识｜为什么大家都在聊 Agent？
说实话，这个理解完全没毛病，Agent的确比Chatbot更强。不过，今天我们来聊聊这个热闹现象背后的硬核变化。 Agent：给定目标，自主循环和Chatbot“你推一下它动一下”不同，和Agent交互你不再需要定义具体的操作步骤，只用给Agent定义一个“终态目标”，剩下的由它自主进入控制循环去推进。 举个例子，你给Agent提了一个目标：“排查当前分支CI跑测试失败的原因，并尝试修复它。” 而Agent面对的任务往往生命周期很长，很难靠单次的模型推理搞定。 真正让Agent能够稳定运转起来的，是入口背后那一整套跟复杂、动态的环境死磕的后端系统工程。
6910编辑于 2026-07-09使用Hermes Agent学习Hermes Agent
安装环境MicrosoftWindows11WSL2-Ubuntu安装启动WSL2展开代码语言：TXTAI代码解释curl-fsSLhttps://hermes-agent.nousresearch.com
27220编辑于 2026-06-18- 来自专栏XINDOO的专栏
Agent设计模式——附录 D - 使用 AgentSpace 构建 Agent
该平台支持创建和部署专业化的 AI "Agent"，这些 Agent 能够执行复杂任务并实现流程自动化。它们不仅是聊天机器人，更具备自主推理、规划和执行多步骤操作的能力。 平台还包含名为 Agent Designer 的无代码界面，无需深厚技术专长即可创建自定义 Agent。 此外，AgentSpace 支持多 Agent 系统，不同 AI Agent 可通过称为 Agent2Agent（A2A）协议的开放协议进行通信与协作。这种互操作性支持更复杂、协调的工作流。 图 4：Agent 提示词定制 AgentSpace 提供多项高级功能，例如与数据存储集成以存储自有数据、与 Google 知识图谱或私有知识图谱集成、用于向 Web 公开 Agent 的 Web 界面 图 6：用于启动与 Agent 对话的 AgentSpace 用户界面 结论 综上所述，AgentSpace 为在组织现有数字基础设施中开发部署 AI Agent 提供了实用框架。
48310编辑于 2025-10-27 - 来自专栏小网管的运维之路
zabbix agent 部署
/configure --prefix=/usr/local/zabbix-agent --enable-agent make &&make install #编译安装到本地硬盘 2.修改配置 cat zabbix-agent/ mkdir -p /www/zabbix/agent/6 mkdir /www/zabbix/agent/7 mv zabbix-agent.tar.gz /www /zabbix/agent/7/zabbix-agent.tar.gz 4 远程安装 curl -s http://zabbix.ops.net/agent/zabbix-agent_install.sh |bash wget -c http://zabbix.ops.net/agent/7/zabbix-agent.tar.gz #/www/zabbix/agent 目录下存放包 tar -xf 一键安装以编译的agent包 curl -s http://zabbix.monitor.com/agent/base_install.sh |sh salt： salt '*' cmd.run "
1.6K30发布于 2019-05-31 - 来自专栏windealli
LLM Agent 简介
本文将介绍LLM Agent相关的概念、组成及应用，帮助Agents初学者更好的理解和应用LLM Agent。本文部分内容梳理/翻译自参考文献中的文章。 LLM Agent 概念定义关于LLM Agent， OpenAI 应用人工智能研究负责人Lilian Weng在其Blog中将LLM Agent定义为LLM、记忆（Memory）、任务规划（Planning LLM Agent通过迭代运行并定义一些新的目标/任务，而非传统GPT那般接受单个查询的输入并返回输出LLM Agent 常见功能LLM Agent能够基于大语言模型进行对话、完成任务、推理，并可以展示一定程度的自主行为 Agent 会基于上下文使用OpenAI的API来完成任务。 LLM 与 三个组件LLM Agent 以 LLM 驱动，并需要三大组件辅助以完成工作（图片来自： https://lilianweng.github.io/posts/2023-06-23-agent
7.4K23编辑于 2024-01-12
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