搜索[终端智能体]结果-低调大师优秀个人博客

精选列表

搜索[终端智能体]，共10005篇文章

Docker常用命令

="容器新名字":为容器指定一个别名 # -d:后台运行容器,并返回容器ID,即启动守护式容器 # -i:以交互模式运行容器,通常与-t同时使用 # -t:为容器重新分配一个伪输入终端

2025-12-13

面试大杂烩

用于 RESTful Web 服务，返回的数据直接写入 HTTP 响应体（如 JSON/XML），而不是视图页面。

2025-09-18

智能体化检索增强生成：关于智能体化 RAG 的综述

**它把具备自主决策能力的 AI 智能体融入 RAG 链路，依靠**反思、规划、工具调用、多智能体协作**四大智能体模式，动态调整检索策略、迭代优化上下文，适配复杂多步骤任务。

2026-09-14

Codex智能体实战：从零系统构建企业级智能体应用

# Codex智能体实战：从零系统构建企业级智能体应用 > 这不是一篇"调个API就跑"的快速上手帖，而是一份从智能体核心原理到生产级系统设计的完整实战指南。

2026-07-14

CloudQ — 多云 AIOps 智能体

一个智能体，轻松驾驭多云 > 当云的复杂度已经超越人类的管理极限，你需要的不是更多的工具，而是一个足够聪明的多云 AIOps 智能体。

2026-09-10

搭建智能体遇到workbuddy

继续搭建智能体，用 WorkBuddy + Obsidian + Zotero，开始搭一个要自己生长的个人知识库。一个一个来理清，安装，应用。

2026-07-25

ShowDoc AI 智能体上线

本次更新主要上线了 AI 智能体，项目成员可以直接用对话找文档、问内容、一句话批量建页面，还能全项目批量改一个点（比如统一换域名、补说明、归类），让 AI 在编辑器里帮你改稿、用对话管项目和看板任务。

2026-07-13

2025 智能体工程现状

什么是智能体工程？智能体工程是将大语言模型（LLM）转化为可靠系统的迭代过程。由于智能体具有不确定性，我们认为，工程师必须通过快速迭代来持续优化其输出质量。

2025-12-23

OpenEnv - 智能体执行环境

OpenEnv 是由 Meta PyTorch 团队与 Hugging Face 联合推出的一个开源项目，旨在为 AI 智能体（Agent）提供标准化、可复现、可安全执行的运行环境。

2025-10-24

爱分析智能体平台竞争力榜单发布：智能体平台厂商盘点

内容来源：《2026爱分析·中国企业智能体平台竞争力榜单》发布时间：2026年8月发布机构：爱分析ifenxi 关键词：AI行业研究、AI行业分析、智能体平台、模型厂商、Agent平台厂商盘点摘要

2026-09-03

全球大厂在呼吁智能体互联，而我们却在教智能体干「脏活」？

**"智能体互信、互联、互操作全球合作倡议"** 字面意思就是：让全球的AI智能体，能够安全地相互信任、相互对话、协同作战。这是大厂们描绘出来的愿景。 !

2026-07-21

企业统一终端管理UEM：构建数字化时代的智能终端防线

在数字化转型的浪潮中，企业终端设备正经历着前所未有的变革。从传统的PC到移动设备，从物联网终端到云桌面，终端形态的多样化给企业管理带来了巨大挑战。

2026-10-12

AI 智能体开发平台怎么选？企业搭建智能体的 5 个关键维度

## 摘要过去一周，从 OpenAI 发布可 7×24 小时在线执行任务的常驻智能体，到谷歌云推出通用工作智能体，再到国内云厂商密集发布智能体相关产品，AI 应用开发的重心正在从"对话机器人"转向"能执行任务的智能体

2026-10-15

开发 AI 智能体的费用

开发 AI 智能体（AI Agent）的费用跨度较大，从几千元（基于现成平台搭建）到几十万甚至上百万元（深度定制与企业级开发）不等。

2026-10-13

COS Agent Bucket 智能体存储

腾讯云智能体桶(COS Agent Bucket)正是为解决这些挑战而设计的新一代存储方案。

2026-09-03

LangGraph 研究智能体工程实践

开发服务测试完成后应停止对应终端中的进程，避免长期占用内存。 ### 11. 复盘：几个容易踩的坑 - **只写一个大 Prompt**：缺少显式状态、结构化 schema 和停止条件。

2026-08-31

AI智能体的开发流程

AI智能体的开发是一个从需求定义到部署运维的系统化工程。整个流程可以划分为以下 **6个关键阶段。** **1.

2026-08-17

近日，PropellerAds宣布升级旗下NIKO AI Agent。新版NIKO AI保留了原有功能，并进一步拓展广告活动创建、编辑、定向、预算、排期、素材和数据管理能力。通过与NIKO AI对话，广告主即可完成多项投放操作，无需在广告管理后台逐项设置。 NIKO AI 新功能：现在能做什么？ NIKO AI 现在可以创建、编辑和查看所有广告形式的广告活动，并支持完整的定向设置、投放排期、预算控制和实时建议。所有操作都可以在一次对话中完成，无需进入广告管理后台。 ●创建所有广告形式的广告活动。NIKO AI 现在支持创建更多广告形式，包括推送、弹窗、Telegram 广告、互动式广告和付费社交流量。你只需描述自己的需求，NIKO AI 就会完成相应设置。 ●直接在聊天中编辑广告活动。需要调整出价、更换目标地区，或修改每日预算上限？NIKO AI 只会更改你指定的字段，其他设置保持不变。此前，NIKO AI 已经具备基础编辑功能，而现在操作速度更快，调整也更加精准。 ●随时查看任意广告活动。你现在可以要求 NIKO AI 调出某个特定广告活动，或显示完整的广告活动列表，所有信息都会集中展示在同一个窗口中。 ●随时获取费率建议。不确定下一步应该设置多少出价？在进行调整前，可以直接询问 NIKO AI。它能够根据任意目标地区、广告形式和付费模式提供建议费率。此前，NIKO AI 只能在创建广告活动时显示出价建议。 ●获取测试预算建议。对于新手来说，最常见的问题可能就是：一开始应该投入多少预算？事实上，即使是进入新市场的资深营销人员，也经常面临同样的问题。现在，NIKO AI 可以根据所选择的广告形式和目标市场，建议一个切实可行的初始测试预算。 ●设置预算上限。你可以直接在聊天中设置广告活动的每日预算和总预算。 ●在一次对话中完成完整定向设置。通过 NIKO AI，你可以设置目标国家或地区、省份、城市、操作系统、设备、浏览器、语言、互联网服务提供商、网络连接类型，以及 VPN 或代理过滤。无需使用下拉菜单，只需在聊天中说明要求即可。此前，NIKO AI 只能设置目标地区和部分基础参数，而现在其定向设置能力已得到全面提升。 ●设置分时投放。你可以按照星期和具体小时安排广告活动的投放时间。只需描述投放计划，NIKO AI 就会自动完成设置。 ●每次上线后获取管理后台链接。广告活动创建完成后，NIKO AI 会发送该广告活动在管理后台中的直接访问链接。 ●咨询广告形式和付费模式。不确定 CPC 或 CPM 哪种模式更适合你的广告活动？或者不知道哪种广告形式更适合你的业务领域？NIKO AI 可以进行说明，并帮助你作出选择。 ●快速复制广告活动。需要测试新的目标地区或广告形式？你可以要求 NIKO AI 复制任何现有广告活动，并只调整需要修改的部分，无需从头重新创建。 ●在聊天中管理广告素材。你可以添加和编辑广告素材，也可以启动或暂停素材，全程无需离开当前对话。 ●管理广告区域和子区域列表。你可以通过 NIKO AI 直接管理广告区域和子区域的白名单及黑名单。 ●随时查看数据和账户余额。你可以要求 NIKO AI 按目标地区、广告形式、日期范围或广告活动查看效果数据，也可以随时查询账户余额。 ●向 NIKO AI 咨询任何有关 PropellerAds 的问题。这是一项非常重要的升级。NIKO AI 已基于 PropellerAds 完整的知识库进行训练，因此它提供的并不是泛泛的 AI 猜测。现在，你可以询问 PropellerAds 平台如何运行、某项具体功能有什么作用，或者哪种策略更适合你的业务领域，并获得基于 PropellerAds 实际专业经验的回答。分享越多，NIKO AI表现越好 PropellerAds表示，广告主提供的信息越详细，NIKO AI越能准确完成广告活动设置并提出相应建议。这些信息可以包括业务领域、转化漏斗、推广内容、投放目标、目标获客成本，以及过去有效或未达到预期的投放方式。根据PropellerAds内部测试，与仅提供少量或不提供背景信息的广告主相比，详细说明广告活动和转化漏斗的广告主，转化数量最高增加144%。首批广告主的使用数据还显示，从注册到生成首个广告活动草稿的速度达到手动操作流程的11倍；NIKO AI广告活动产生的收益达到手动设置广告活动的2至4倍。 PropellerAds建议，广告主在使用NIKO AI时，除投放地区和广告形式外，还应提供业务领域、转化漏斗结构、目标获客成本和过往投放经验。通过将重复性的操作交给NIKO AI，广告主可以将更多时间用于策略制定、测试和扩大投放规模。总而言之，NIKO AI并非一项仅用于展示的AI功能，而是能够切实提升广告投放效率的实用工具。通过将广告活动创建、调整、数据查询及日常管理等重复性工作交由NIKO AI完成，广告主可以减少对管理后台的频繁操作，将更多时间投入策略制定、效果测试和业务规模化，并以更高效、灵活的方式推进广告投放工作。

2026-08-12

AI 英语智能体的开发

以下是 AI 英语智能体的完整开发架构与落地落地方案： # 1.

2026-08-11

AI智能体的开发技术

开发人工智能智能体，本质上是为其配置“大脑”、“记忆”、“手脚”和“逻辑决策流程”。核心开发技术主要涵盖以下几个维度。

2026-08-04

Agentic 智能体 React 模式实现

普通的大模型调用是一问一答，问完就结束了。但真实的 Agent 场景不是这样 -- 大模型需要自己判断：我现在信息够不够？不够的话该调用什么工具去补充？拿到结果之后怎么继续推理？这种"思考 -> 行动 -> 再思考"的循环能力，就是 **ReAct（Reasoning + Acting）** 模式要解决的问题。这篇文章从代码实现的角度拆解 ReAct 模块，主要回答四个问题： 1）ReAct 循环的本质结构和两个分支 2）上下文治理 -- 上下文越来越长怎么办 3）工具执行引擎的并发与串行模式 4）钩子机制 -- 如何在不改主流程的前提下扩展行为 **关注“AI老马” —【获取资源】&【进群交流】** ## **1，ReAct 的本质：一个带条件的 for 循环** 把所有概念剥掉之后，ReAct 的核心代码结构就是一个 `for` 循环。每次循环做一件事：**让大模型生成回复，然后检查回复里有没有工具调用请求。** 如果有工具调用 -- 把参数提取出来，交给工具执行引擎，拿到结果后塞回上下文，然后 `continue` 进入下一轮循环。这就是"行动之后再思考"。如果没有工具调用 -- 说明大模型认为已经可以给出最终答案了，直接输出结果，跳出循环。整个 ReAct 过程结束。当然，不能让它无限循环下去。循环开始之前要设置一个**最大迭代次数**（比如 10 次或 20 次），到了上限强制终止，避免用户体验失控和 API 调用成本爆炸。所以整个 ReAct 的骨架就这么点东西： ``` for i in range(max_iterations): context = govern_context(context) # 上下文治理 response = llm.chat(context) # 大模型思考 if has_tool_call(response): result = execute_tools(response) # 执行工具 context += result # 结果回填 continue # 继续循环 else: return response # 输出最终答案 ``` 两个分支，逻辑清晰。复杂的不在循环本身，而在循环内部的细节处理。 ## **2，上下文治理：五步法控制窗口长度** ReAct 循环每转一圈，上下文就会变长 -- 加入了大模型的推理结果、工具调用的请求、工具返回的结果。转个十圈八圈，上下文可能就超出了模型的窗口限制。所以每轮循环的第一步，必须是**上下文治理**。这里有一套五步处理的标准化流程： **第一步：清理孤儿数据。** 工具调用是成对出现的 -- 有请求就该有对应的结果。如果上下文里出现了只有结果没有请求、或只有请求没有结果的孤立数据，说明中间出了异常（比如工具执行超时）。这些孤儿数据一律清除，避免干扰后续推理。 **第二步：压缩早期结果。** 前几轮的工具调用结果对当前决策的价值已经不大了，但完全丢弃又怕丢失关键信息。折中方案是：保留最近 N 轮（比如最近 10 次）的原始结果，更早的结果压缩为一行摘要。既省空间，又不丢核心信息。 **第三步：持久化关键数据。** 将重要的中间结果（比如搜索到的文档、查询到的数据库记录）写入持久化存储。这样即使后续上下文被裁剪掉了，需要的时候还能找回来。相当于给大模型装了一个"外部记忆"。 **第四步：结果格式化。** 确保每个工具调用的输出都按照统一格式整理，方便大模型解析和使用。杂乱无章的工具返回只会增加理解成本。 **第五步：历史裁剪。** 当前四步做完之后，如果总长度仍然超过阈值，就从最早的消息开始裁剪，只保留系统提示词（System Prompt）和最近的消息。这是最后的保底措施。这五步的目标只有一个：**让上下文保持在模型窗口限制之内，同时尽可能保留有价值的信息。** ## **3，工具执行：并发还是串行？** 大模型一次可能要求调用多个工具。这些工具之间有没有依赖关系？能不能并行执行？这决定了执行策略。设计上支持两种模式： **串行模式**：按顺序逐个执行工具，前一个的结果可以作为后一个的输入。适用于工具之间存在依赖关系的场景 -- 比如先用搜索工具找到文件路径，再用读取工具打开文件内容。 **并发模式**：将多个独立的工具调用打包成一个 Batch，同时发起执行，最后汇总所有结果一起返回。适用于工具之间互不相关的场景 -- 同时查天气、查股价、查日历，谁也不依赖谁。具体用哪种模式，可以根据工具的属性配置来决定，不需要硬编码。执行引擎内部会自动判断和分发。 ## **4，错误恢复：别让一次失败搞崩全局** 工具调用不可能次次成功。网络超时、API 报错、参数不合法 -- 异常情况随时可能发生。错误恢复机制的核心原则是：**局部失败不影响整体流程。** 具体的策略包括： - • **空响应重试**：工具返回空结果时，自动重试 1~2 次，排除偶发性问题 - • **阶段级容错**：单轮迭代最多允许恢复 N 次（比如 3 次），超出后跳过本轮继续下一轮 - • **错误信息透传**：工具执行的错误不会吞掉，而是包装成明确的错误提示返回给大模型。大模型看到错误后可以自行决定是换参数重试、换工具尝试，还是直接基于已有信息给出答案这个设计体现了 ReAct 模式的一个重要理念：**异常处理也是大模型推理的一部分**。不需要在代码层面把所有异常路径都穷举出来，告诉大模型发生了什么，让它自己想办法。 ## **5，钩子机制：在不改动主流程的前提下扩展行为** ReAct 主循环的逻辑是固定的，但在实际使用中，不同场景有不同的附加需求：有的要在每轮迭代前打印日志，有的要实时推送流式结果给前端，有的要做调用埋点和监控。如果在主流程里到处加 if-else，代码很快就会变成一团乱麻。解决方案是**钩子（Hook）模式**。在 ReAct 执行类的关键节点预留出"挂钩点"，用户可以通过继承 Hook 类并实现特定方法来注入自定义行为： - • 迭代开始前做什么（`before_iteration`） - • 是否启用流式输出（`should_stream`） - • 流式内容怎么回写（`on_stream`） - • 迭代结束后做什么（`after_iteration`）定义好 Hook 类之后，传给 ReAct 的数据包装类就行。主循环在执行到对应节点时，会自动检查并调用 Hook 中已实现的方法。主流程本身一行都不用改。更进一步，如果需要同时生效多种 Hook（既要打日志又要推流式），可以用一个 **CompositeHook** 组合多个 Hook，按序依次执行。本质上又是一个"套壳"的设计 -- 一个壳子里装多个具体实现，对外还是一个 Hook。 ## **写在最后** 回过头来看，ReAct 模块的实现并不神秘：**一个 for 循环 + 两条分支 + 五步上下文治理 + 可插拔的 Hook 扩展。** 真正值得关注的工程细节是上下文治理那部分 -- 怎么在有限的空间里保留最多的有效信息，这直接决定了 Agent 在多轮交互后的推理质量。而对于想要自建 Agent 框架的同学来说，这套设计的可借鉴之处在于它的分层思路：主循环只管流转逻辑，上下文治理、工具执行、错误恢复、扩展钩子各自独立封装，互不耦合。加功能不用动主干，修 bug 不用牵连全身。

2026-07-28

大厂集体下线「陪聊」智能体

UGC 自定义智能体功能。

2026-07-17

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。

WebStorm

WebStorm 是jetbrains公司旗下一款JavaScript 开发工具。目前已经被广大中国JS开发者誉为“Web前端开发神器”、“最强大的HTML5编辑器”、“最智能的JavaScript IDE”等。与IntelliJ IDEA同源，继承了IntelliJ IDEA强大的JS部分的功能。