通过该开源课程，读者将不妨得到对智能体较为全盘的领略，独揽它们的计划道理、上风、使用场景以及现时的部分性。咱们盼望这份该课程不妨为空阔进修者供应代价，

　　正在科技成长的汗青中，人类平昔试图打制一种可能自决已毕预设方针的代庖或实体，即智能体 (AI Agents 或 Agents)，以协助人类已毕种种各样繁琐的职责。众年来，智能体行为人工智能一个活动的使用周围吸引人们连接地斟酌搜求。方今，大措辞模子正振作成长，日月牙异。

　　正在智能体本领的竣工上，更加是正在基于大型措辞模子（LLM）的智能体修筑中，LLM正在智能体的智能化中饰演着至合主要的脚色。这些智能体不妨通过整合LLM与计议、回忆以及其他枢纽本领模块，实践丰富的职责。正在此框架中，LLM充任中央收拾单位或“大脑”，负担约束和实践为特定职责或响使用户盘查所需的一系列操作。

　　以一个新的例子来显示LLM智能体的潜力，设思咱们必要计划一个人系来应对以下扣问：

　　这个题目可直接由一个更新至最新数据的LLM给出谜底。若LLM缺乏即时数据，可能借助一个RAG（检索加强天生）体系，个中LLM可能拜候最新的汽车发售数据或墟市申诉。

　　仅依赖LLM来解答此类丰富题目是不敷的。固然联结LLM与外部常识库的RAG体系能供应某种助助，但要全盘解答这个题目，还必要更进一步的操作。这是因为要解答这个题目，最先必要将其拆解成众个子题目，其次必要并通过特定的器械和流程举办办理，最终得到所需谜底。一个可以的计划是开荒一个不妨拜候最新的境遇策略文献、墟市申诉以及公然数据库的LLM智能体，以获取合于电动汽车墟市拉长及其境遇影响的消息。

　　别的，LLM智能体还需装备“数据分解”器械，这可能助助智能体应用征求到的数据筑制出直观的图外，从而清楚地显示过去十年欧洲电动汽车墟市的拉长趋向。固然这种智能体的高级效用目前还属于理思化设思，但它涉及众项主要的本领考量，如拟定办理计划的计议和可以的回忆模块，这有助于智能体追踪操作流程、监控和评估集体起色状况。

　　正在修筑以大型措辞模子（LLM）为中央的智能体体系中，LLM是至合主要的，充任体系的主脑和众职责融合的中央。这种智能体通过解析和实践基于提示模板的指令，这些模板不单诱导LLM简直操作，也详尽界说了智能体的脚色和人品，征求后台、性格、社会境遇及生齿统计消息等。这种人品化的描绘使得智能体能更精准地领略和实践职责。

　　，交融文本、图像、声响等众种输入输出时势，让体系更自然有用地收拾丰富职责和境遇。别的，智能体的动态脚色适合和特性化反应也是提拔用户体验和实践效果的枢纽。

　　，确保体系坚固运转，获得用户信托。整合这些元素，基于LLM的智能体体系不妨正在收拾特定职责时体现出更高的效果和切确性，同时，正在用户交互和体系恒久成长方面体现出更强的适合性和可接连性。这种体系不单仅是实践夂箢的器械，更是不妨领略丰富指令、适合分歧场景并接连优化本身举止的智能团结伙伴。

　　计议模块是智能体领略题目并牢靠寻找办理计划的枢纽，它通过领悟为需要的步调或子职责来回使用户哀求。职责领悟的通行本领征求思想链（COT）和思想树（TOT），分歧可能归类为单途途推理和众途途推理。

　　最先，咱们先容“思想链（COT）”的格式，它通过分步调细分丰富题目为一系列更小、更粗略的职责，旨正在通过补充谋划的测试时期来收拾题目。这不单使得大型职责易于约束，况且助助咱们领略模子奈何慢慢办理题目。

　　接下来，有斟酌者正在此根底上提出了“思想树（TOT）”格式，通过正在每个计划步调搜求众个可以的途途，造成树状布局图。这种格式许可采用分歧的搜寻战略，如宽度优先或深度优先搜寻，并应用分类器来评估每个可以性的有用性。

　　为了举办职责领悟，可能通过分歧的途径竣工，征求直策应用LLM举办粗略提示、采用针对特定职责的指令，或者联结人类的直接输入。这些战略不妨依照分歧的需求，灵巧调剂职责的办理计划。而另一种格式则是联结了经典计议器的LLM（简称为LLM+P），该战略依赖外部计议器来举办恒久计议。这种格式最先将题目转化为PDDL格局，然后应用计议器天生办理计划，最终将这一办理计划转化回自然措辞。这合用于必要详尽恒久计议的场景，虽然依赖特定周围的PDDL和计议器，可以限度了其合用局限。

　　这些立异格式不单显示认识决题目的众样性和灵巧性，也为咱们供应了深刻领略LLM奈何收拾丰富职责的新视角。

　　上述计议模块不涉及任何反应，这使得竣工办理丰富职责的恒久计议变得具有寻事性。为认识决这一寻事，可能应用一种机制，使模子不妨依照过去的活跃和参观屡次忖量和细化实践盘算。方针是改良并厘正过去的差错，这有助于提升最终结果的质料。这正在丰富的实际宇宙境遇和职责中更加主要，个中试错是已毕职责的枢纽。这种反思或攻讦机制的两种通行格式征求ReAct和Reflexion。

　　ReAct格式提出通过联结特定职责的离散手脚与措辞描绘，竣工了正在大周围措辞模子（LLM）中交融推理与实践的本事。离散手脚许可LLM与其境遇举办交互，如应用Wikipedia搜寻API，而措辞描绘个别则促使了LLM发生基于自然措辞的推理途途。这种战略不单提升了LLM收拾丰富题目的本事，还通过与外部境遇的直接交互，加强了模子正在确凿宇宙使用中的适合性和灵巧性。别的，基于自然措辞的推理途途补充了模子计划流程的可解说性，行使户不妨更好地领略和校验模子举止。ReAct计划亦重视模子活跃的透后度与管制性，旨正在确保模子实践职责时的安然性与牢靠性。以是，ReAct的开荒为大周围措辞模子的使用供应了新视角，其交融推理与实践的格式为办理丰富题目启示了新途径。

　　Reflexion是一个框架，旨正在通过授予智能体动态回忆和自我反思本事来提拔其推理方法。该格式采用轨范的加强进修（RL）设立，个中赞美模子供应粗略的二元赞美，活跃空间用命ReAct中的设立，即通过措辞加强特定职责的活跃空间，以竣工丰富的推理步调。每实践一次活跃后，智能融会谋划一个策动式评估，并依照自我反思的结果，可采取性地重置境遇，以发端新的试验。策动式函数用于确定轨迹何时效果低下或包罗幻觉应该终止。效果低下的计议指的是长时期未获胜已毕的轨迹。幻觉界说为际遇一系列陆续一样的活跃，这些活跃导致正在境遇中参观到一样的结果。

　　回忆模块是智能体存储内部日记的枢纽构成个别，负担存储过去的忖量、活跃、参观以及与用户的互动。它对付智能体的进修和计划流程至合主要。依照LLM智能体文献，回忆可分为两种紧要类型：短期回忆和恒久回忆，以及将这两种回忆联结的搀和回忆，旨正在提升智能体的恒久推理本事和体会积攒。

　　- 合心于现时情境的上下文消息，是短暂且有限的，往往通过上下文窗口限度的进修竣工。

　　- 积蓄智能体的汗青举止和忖量，通过外部向量存储竣工，以便急速检索主要消息。

　　-通过整合短期和恒久回忆，不单优化了智能体对现时情境的领略，还强化了对过去体会的应用，从而提升了其恒久推理和体会积攒的本事。

　　正在计划智能体的回忆模块时，必要依照职责需求采取适应的回忆格局，如自然措辞、嵌入向量、数据库或布局化列外等。这些分歧的格局对智能体的消息收拾本事和职责实践效果有直接影响。

　　器械使大型措辞模子（LLM）不妨通过外部境遇（比如Wikipedia搜寻API、代码解说器和数学引擎）来获撤销息或已毕子职责。这征求数据库、常识库和其他外部模子的行使，极大地扩展了LLM的本事。正在咱们最初的与汽车销量干系的盘查中，通过代码竣工直观的图外是一个行使器械的例子，它实践代码并天生用户哀求的需要图外消息。

　　MRKL：是一种用于自决代庖的架构。MRKL体系旨正在包罗一系列“专家”模块，而通用的大型措辞模子（LLM）行为途由器，将盘查指点至最适应的专家模块。这些模块既可能是大模子，也可能是符号的（比如数学谋划器、货泉转换器、气候API）。他们以算术为测试案例，对LLM举办了移用谋划器的微调实习。实习证据，办理口头数知识题比办理显着陈述的数知识题更难题，由于大型措辞模子（7B Jurassic1-large模子）未能牢靠地提取出基础算术运算所需的无误参数。结果夸大，当外部符号器械可能牢靠地事情时，明白何时以及奈何行使这些器械至合主要，这由LLM的本事裁夺。

　　Toolformer：这个学术事情是磨练了一个用于裁夺何时移用哪些API、传达什么参数以及奈何最佳地将结果举办分解的大模子。这一流程通过微调的格式来磨练大模子，仅必要每个API几个示例即可。该事情集成了一系列器械，征求谋划器、问答体系、搜寻引擎、翻译体系和日历。Toolformer正在众种下逛职责中竣工了明显提拔的零次进修（zero-shot）机能，常常与更大的模子角逐，而不逝世其中央的措辞筑模本事。

　　函数移用（Function Calling）：这也是一种加强大型措辞模子（LLM）器械行使本事的战略，它通过界说一系列器械API，并将这些API行为哀求的一个别供应给模子，从而使模子不妨正在收拾文本职责时移用外部效用或任事。这种格式不单扩展了LLM的效用，使其不妨收拾赶过其磨练数据局限的职责，况且还提升了职责实践的切确性和效果。

　　HuggingGPT：它是由大型措辞模子（LLM）驱动的，计划用来自决收拾一系列丰富的人工智能职责。HuggingGPT交融了LLM的本事和呆板进修社区的资源，比如ChatGPT与Hugging Face的联结，使其不妨收拾来自分歧模态的输入。简直来说，LLM正在这里饰演着大脑的脚色，一方面依照用户哀求拆解职责，另一方面依照模子描绘采取适合的模子实践职责。通过实践这些模子并将结果整合到盘算的职责中，HuggingGPT能自决已毕丰富的用户哀求。这个流程显示了从职责计议到模子采取，再到职责实践，最终是反映天生的完好流程。最先，HuggingGPT应用ChatGPT分解用户的哀求以领略他们的妄图，并将其领悟为可以的办理计划。接下来，它会采取Hugging Face上托管的、最适合实践这些职责的专家模子。每个选定的模子被移用并实践，其结果将反应给ChatGPT。最终，ChatGPT将全体模子的预测结果集成起来，为用户天生反映。HuggingGPT的这种事情形式不单扩展了守旧简单形式收拾的本事，况且通过其智能的模子采取和职责实践机制，正在跨周围职责中供应了高效、切确的办理计划。

　　这些战略和器械的联结不单加强了LLM与外部境遇的交互本事，也为收拾更丰富、跨周围的职责供应了宏大的助助，开启了智能体本事的新篇章。

　　修筑基于大型措辞模子（LLM）的智能体是一个新兴周围，面对着稠密寻事和限度。以下是几个紧要的寻事及可以的办理计划：

　　智能体必要正在特定周围内有用事情，对难以外征或迁徙的脚色，可能通过针对性地微调LLM来提升机能。这征求代外绝顶睹脚色或心绪特点的本事提拔。

　　有限的上下文长度限度了LLM的本事，虽然向量存储和检索供应了拜候更大常识库的可以性。体系计划必要立异，以正在有限的通讯带宽内有用运作。

　　智能体的提示计划必要足够鲁棒，以防细微的蜕变导致牢靠性题目。可以的办理计划征求自愿优化调剂提示或行使LLM自愿天生提示。

　　管制LLM的内部常识，避免引入成睹或行使用户不明白的常识，是一个寻事。这恳求智能体正在收拾消息时加倍透后和可控。

　　LLM收拾豪爽哀求时的效果和本钱是主要考量身分。优化推理速率和本钱效果是提拔众智能体体系机能的枢纽。

　　总的来说，基于LLM的智能体修筑是一个丰富且众面的寻事，必要正在众个方面举办立异和优化。接连的斟酌和本领成长对付制胜这些寻事至合主要。一文带你领会基于大模子的Agent