新闻详情

新闻详情

首页 / 资讯中心 / 详情

treg llms.txt Agent自举文件解析:一次抓取,教会Agent整个注册中心

发布时间:2026/11/14 12:34:35来源:尧图网络
treg llms.txt Agent自举文件解析:一次抓取,教会Agent整个注册中心
treg llms.txt Agent自举文件解析一次抓取教会Agent整个注册中心【免费下载链接】tregOpenRouter for agent tools. Join community here: https://discord.gg/6mQYYfFMAn项目地址: https://gitcode.com/GitHub_Trending/treg/tregtreg 是一个面向 Agent 工具的 OpenRouter式注册中心而它的llms.txt是最精彩的设计AI Agent 只需要抓取这一个文件就能学会调用整个工具注册中心——3000 端点、60 供应商无需翻阅任何 API 文档。本文带你完整拆解这份自举文件的结构与巧思。为什么 llms.txt 是 Agent 世界的自举文件传统 API 接入的痛点是开发者要读文档、找示例、配密钥。而 AI Agent 不会读文档它只会抓取 URL。llms.txt 约定就是为这个行为设计的——把如何调用我写成一份 Agent 能一次读完的纯文本。treg 的做法更彻底一个 token 一个 base URL就能调用注册中心里全部工具所有凭证服务端注入密钥永远不落到 Agent 的机器上每一次调用都被审计、可计价正如 AGENTS.md 中强调的src/treg/web/llms.txt是产品的前门the products front door而不是普通文档——Agent 的行为完全由它驱动。文件的结构Agent 一次读完的完整课程打开 src/treg/web/llms.txt你会发现它是一份精心编排的教程按 Agent 的学习顺序组织我是谁——一句话定位OpenRouter, but for agent tools instead of models并列出端点总数与供应商数量唯一的机制/call/——两种调用形态按端点 id 调目录工具 / 按上游 URL 前缀调团队自有工具这是全文的核心凭证阶梯——调用时密钥按什么优先级被选择团队自有工具 → 团队密钥 → 免密钥公开路由 → treg 自己的密钥钱的规则——计价单位X-Treg-Cost-Micro、失败不计费、402 余额不足、幂等重试Idempotency-Key团队自有工具——treg run、treg shell、代理拦截等高级玩法CLI 安装与登录——一条curl安装 三种登录方式MCP 接入——让 ChatGPT / Claude Code 等客户端直连给 AI 的专属操作守则——甚至包括装好后该怎么向用户汇报这种组织方式意味着Agent 不需要理解项目它只需照着文件里的指令一步步执行就能从安装走到第一次成功调用。服务端动态渲染模板占位符的巧思llms.txt并不是静态文件。在 src/treg/routers/web.py 中/llms.txt路由做了三件关键的事{BASE}替换——注入当前部署的公网地址自托管部署自动指向自己的域名{ENDPOINTS}/{PROVIDERS}动态填充——由_fill_headline从实时目录取数避免写死的数字总是过期的_strip_routed按开关裁剪内容——目录中!--hub--、!--routed--标记包裹的段落只在对应功能启用时才会下发给 Agent这遵循了一条重要原则Agent 面向的文件绝不能描述当前部署没开启的能力。每次 Agent 抓到的都是与这个注册中心真实状态完全一致的说明书。快速上手把 llms.txt 交给你的 Agent实际使用中你甚至不需要安装任何东西。最轻量的路径只有两步在任意支持自定义连接器的客户端ChatGPT、Claude Desktop 等中添加 MCP 服务地址或直接对 Agent 说set up treg — https://treg.to/llms.txtAgent 会抓取文件按其中指引自行完成安装curl -fsSL {BASE}/install.sh | sh、登录并注册 MCP 服务。如果想本地体验完整流程curl -fsSL https://treg.to/install.sh | sh # 安装 CLI treg login # 登录GitHub / 邮箱验证码 / token treg catalog search backlinks for a domain # 按要做的事搜索工具更多细节可参考仓库自带的快速开始指南 src/treg/web/quickstart.md。设计亮点把信任写进协议细读 llms.txt 会发现几处对新手和对 Agent都极友好的细节先报价再调用价格始终在调用前可见treg catalog get或estimated_cost_usd单次成本低至几分美分重试不重复计费Idempotency-Key保证同一调用失败重发不会扣两次钱5xx/超时永远不计费失败是免费信号4xx 说明是参数问题Agent 被明确告知换供应商可以盲目重试 4xx 不行余额不足是机器可读的402 响应体直接给出balance_micro、estimated_cost_micro和充值 URLAgent 可自主处理甚至第 723 行起有一节For AI agents直接指导 Agent 如何向人类汇报结果——用一句话说清用户获得了什么然后提出 3 个马上能做的具体任务。小结一次抓取的复利效应treg 的 llms.txt 把注册中心接入压缩成了 Agent 的一次网络请求维度传统接入treg llms.txt文档阅读多个供应商各自一份一个文本文件密钥管理每台机器存一份服务端注入零落地工具发现逐个注册账号一个 token 调 3000 端点计费对账各平台账单统一预付费余额 审计日志它证明了一个趋势给 Agent 看的文档就是产品本身。当src/treg/web/llms.txt里的每一个字都可能被执行文档即代码不再只是比喻。想深入了解其背后的多租户与代理模型可阅读 docs/context/architecture/catalog.md 与 docs/context/interface/api.md。【免费下载链接】tregOpenRouter for agent tools. Join community here: https://discord.gg/6mQYYfFMAn项目地址: https://gitcode.com/GitHub_Trending/treg/treg创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/14 3:51:47

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/14 17:14:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉