新闻详情

新闻详情

首页 / 资讯中心 / 详情

AX 5分钟Quickstart:一条命令让AI Agent帮你列目录

发布时间:2026/11/10 17:18:09来源:尧图网络
AX 5分钟Quickstart:一条命令让AI Agent帮你列目录
AX 5分钟Quickstart一条命令让AI Agent帮你列目录【免费下载链接】axGoogles open agentic orchestration runtime项目地址: https://gitcode.com/GitHub_Trending/ax11/axAXAgent Executor是 Google 开源的分布式 AI Agent 编排运行时它能为你动态拉起隔离的执行环境并支持从失败或中断中自动恢复。本文带你用 5 分钟完成 AX 安装并通过一条命令ax --input Can you list this directory?让内置 AI Agent 自动帮你列出目录内容体验 Agent 自主调用工具执行任务的完整流程。为什么选择 AXAX 把「让 Agent 可靠地跑起来」这件事做成了基础设施核心特性包括分布式运行时harness、skills、tools 和 agents 均可在隔离环境中独立执行断点恢复执行失败或中断后可自动恢复长任务不怕断电内置 Harness开箱即用 Antigravity对接 Gemini 模型也支持自定义实现随处可运行本地一条命令起步生产环境可部署到 Kubernetes 提示AX 目前处于早期开发阶段稳定版前可能存在重大变更。5分钟 Quickstart 三步走第 1 步克隆仓库并安装 ax CLI前置条件已安装 Go 环境要求 Go 1.26.3。git clone https://gitcode.com/GitHub_Trending/ax11/ax cd ax make build # 生成可执行文件 bin/ax构建逻辑见 Makefile安装到 GOPATH/bin 可直接执行make install。第 2 步配置 API 密钥AX 内置的 Antigravity harness 支持 Google AI Studio 或 Vertex AI。使用 Google AI Studio 只需设置 Gemini API Keyexport GEMINI_API_KEYyour-api-key第 3 步一条命令让 Agent 列目录ax --input Can you list this directory?就这一条命令AX 会读取默认配置 ax.yaml内置 Antigravity 作为默认 harness启动内置 AX 服务器并拉起 Antigravity harnessAI Agent 自主调用「列目录」工具将结果流式打印到终端执行与交互循环的核心逻辑位于 cmd/ax/exec.goCLI 交互界面在 cmd/ax/internal/display.go。验证安装ax --help能看到 ax CLI 的用法说明即表示安装成功。继续对话与断点恢复每次会话都有唯一 ID。想接着聊带上--conversation即可ax --conversation d85a4b4e-c53b-4c84-b879-f10d905bce40 \ --input Show me the contents of README.md执行中途出问题用--resume恢复未完成的任务ax --conversation edf98ef5-4bb1-4a9e-a091-3a77e03727e6 --resume会话状态持久化在 SQLite 事件日志中默认路径eventlog/log.sqlite可在 ax.yaml 中修改这就是「断点恢复」能力的来源。进阶玩法自定义配置与 Skills按需定制 Agent 行为用--agent-config以 JSON 形式注入单请求级配置例如指定模型或系统指令ax --agent-config {system_instructions:Answer in one sentence.,model:gemini-3.5-flash} \ --input Explain durable execution.给 Agent 装上 SkillsAX 原生支持 Agent Skills仓库自带两个示例技能emoji 和 lowercaseax --input Give me an emoji for happyPlanner 会自动发现匹配的 skill、激活它并执行对应脚本。技能机制说明见 examples/skills/README.md。连接远程服务器生产模式下先启动 AX 控制器再让 CLI 连接它ax serve --config ax.yaml ax --server localhost:8494 --input Hello agents!Kubernetes 生产部署请参考 manifests/README.md。关键文件速查文件说明README.md项目完整文档ax.yaml默认运行配置harness、事件日志、遥测cmd/ax/exec.goCLI 执行与会话循环实现internal/harness/antigravity/内置 Antigravity harnessexamples/skills/Agent Skills 示例manifests/Kubernetes 部署清单总结只需三步——安装、配置密钥、执行一条命令——你就拥有了一个能自主调用工具、支持续聊与断点恢复的 AI Agent 运行时。AX 的目标是让每个复杂的 Agent 应用都站在统一、可靠的编排基础层之上开发者只专注于自己的应用逻辑而非底层基础设施。现在就动手试试吧【免费下载链接】axGoogles open agentic orchestration runtime项目地址: https://gitcode.com/GitHub_Trending/ax11/ax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 2026/11/10 4:49:37

【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 2026/11/9 8:37:19

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 2026/11/10 9:14:31

【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 ... 2026/11/10 1:10:29

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 2026/11/10 15:15:31

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 2026/11/10 17:14:10

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
📞 ✉