环境准备123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354# 使用kind部署k8s集群，版本v1.31，有代理curl -Lo ./kind https://kind.sigs.k8s.io/dl/v0.31.0/kind-linux-amd64chmod +x ./kindsudo mv ./kind /usr/local/bin/kindcat > kind-config.yaml <<EOFkind: Cluster...
在大规模监控场景下如果只用一个Prometheus server采集数据，可能跨数据中心，延迟大，配置复杂，同时单个Prometheus压力大，容易性能瓶颈
分布式采集：每个数据中心独立 Prometheus 负责本地采集
集中聚合：中心 Prometheus 通过 /federate 拉取部分指标
降低压力：避免单个 Prometheus 采集全网数据。
标签保真：honor_labels: true 保留原始标签，方便分析来源
灵活选择：match[] 决定上游拉哪些数据，不浪费带宽。
部署下级Prometheus123456789101112131415161718...
概述之前学习普罗米修斯的时候还是个初学者，现在工作了几年，因为接触了很多其他领域的知识，对Prometheus有更深的理解了，
所以我就以现在的角度重新整理一遍Prometheus相关的知识点
exporter官网：Exporters and integrations | Prometheus
特点数据特点
数据 = 指标(metric)+标签(labels)+时间序列(time series)
指标：要监控的具体项，比如CPU用户态使用率、CPU等待时间、可用内存等 标签：要为指标附加的维度信息，用来区分不同业务、环境等，同k8s的labels 时间序列：指标随时间变化的数值...
本文基于上一篇《Zabbix7使用docker-compose部署》
集成deepseek
准备zabbix如果需要执行一个脚本，而我们的zabbix-server使用的是docker-compose的方式部署的，所以就需要在容器中/usr/lib/zabbix/alertscripts/目录中存放脚本文件。所以我们可以在docker-compose文件中修改，让本地某一目录挂载到脚本目录中
那么先在本地创建一个目录用以存放脚本文件的123456mkdir -p /root/zabbix-docker-compose/zabbix-scr...
Docker Compose部署zabbix-server
单文件管理所有服务
依赖关系清晰
一键启停/重建
版本控制友好
12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758596061626364656667686970# 参考文档https://github.com/zabbix/zabbix-dockermkdir zabbix-docker-composecd zabbix-docker-compose/g...
最简单的自定义监控项12345678910111213141516171819# 配置文件位置/etc/zabbix/zabbix_agent2.conf# 子配置文件位置/etc/zabbix/zabbix_agent2.d/*.conf# 创建子配置文件vim /etc/zabbix/zabbix_agent2.d/custom_monitor.conf# 配置文件格式说明UserParameter=<key>,<command>UserParameter=<key[*]>,<command $1 $2 ...><key>：...
官网已经不提供zabbix5 server端的安装了，我之前的笔记需要更新一下
之前是用pve装的centos7+zabbix5，这次用alma9+zabbix7，顺便温习一下，长久不用就忘了
环境说明
12345AlmaLinux 9.64C8GZabbix 7.0LTS10.163.2.100 zabbix-server10.163.2.106 zabbix-agent
server安装1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253ho...
streamlit是使用python生成的交互式的web应用
requirements文件：https://ws-blog-img.oss-cn-hangzhou.aliyuncs.com/wangsheng/langchain-requirements.txt
需要准备llm的api key，我这里使用load_dotenv()从.env中加载
12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758596061626364656...
agent迭代器AgentExecutorAgent 迭代器（ AgentExecutor）是 LangChain 中实际执行 Agent 决策循环的引擎
即思考 → 行动 → 观察 → 再思考 → … → 结束
特性
Agent自带迭代器
自定义迭代器
开发难度
✅ 零配置
🟡 需要编程
标准化
✅ 符合ReAct框架
🟡 任意设计
错误处理
✅ 内置完善
🟡 需自行实现
工具集成
✅ 自动适配
🟡 手动集成
循环控制
🟡 固定模式
✅ 完全定制
状态管理
✅ 自动维护
🟡 手动管理
性能优化
🟡 一般优化
✅ 可深度优化
特殊需求...
LangChain Agent 是一个让大型语言模型（LLM）自主决策、选择工具并执行任务的框架。它把 LLM 从一个”纯对话者”变成了一个”能动手的智能助手”。用户问题 → LLM分析 → 选择工具 → 执行工具 → 观察结果 → 继续思考 → … → 最终答案
类型
特点
适用场景
ZERO_SHOT_REACT
无需示例，根据工具描述决策
通用任务，结构清晰
CONVERSATIONAL
记忆对话历史，上下文感知
多轮对话任务
STRUCTURED_CHAT
结构化输出，更可控
复杂多步骤任务
OPENAI_FUNCTIONS
利用OpenAI函数调用
需要...
