网站除了做流量还需要什么软件吗百合居装饰公司

网站除了做流量还需要什么软件吗,百合居装饰公司,常州按天优化代理,莱芜金点子招聘电子版一、LLM Agents指南 LLM Agents正变得越来越普及#xff0c;似乎正在取代我们熟悉的对话式LLM。但是Agents本身其实并不容易#xff0c;它往往需要多个组件协同工作。 img 在本文中#xff0c;通过60多张定制可视化图#xff0c;你将探索LLM Agents领域、其主要组件以及多…一、LLM Agents指南LLM Agents正变得越来越普及似乎正在取代我们熟悉的对话式LLM。但是Agents本身其实并不容易它往往需要多个组件协同工作。img在本文中通过60多张定制可视化图你将探索LLM Agents领域、其主要组件以及多Agent框架。二、什么是LLM Agents要理解LLM Agents让我们首先探索LLM的基本能力。传统上LLM所做的仅仅是下一个token的预测。img通过连续采样多个token我们可以模拟对话并使用LLM为我们的查询提供更全面的答案。img然而当我们继续对话时任何LLM都会展示其主要缺点之一它不记得对话内容imgLLM在执行许多其他任务时也常常失败包括基本的数学运算如乘法和除法img这是否意味着LLM很垃圾当然不是LLM无需具备所有能力因为我们可以通过外部工具、记忆和检索系统来弥补其缺点。通过外部系统LLM的能力可以得到增强。Anthropic称之为增强型LLM。img例如面对数学问题时LLM可能会决定使用合适的工具如计算器。img那么这种 增强型LLM 是否就是Agent不完全是但也有一些相似之处…让我们从Agents的定义开始Agent是任何可以被视为通过传感器感知其环境并通过执行器作用于该环境的事物。— Russell Norvig《人工智能现代方法》2016Agents与环境交互通常由几个重要组件组成环境— Agent交互的世界传感器— 用于观察环境执行器— 用于与环境交互的工具效应器— 决定如何从观察转化为行动的大脑或规则img这个框架适用于与各种环境交互的各类Agents比如与物理环境交互的机器人或与软件交互的AI Agents。我们可以稍微概括这个框架使其更适合 增强型LLM。img使用 增强型LLMAgent可以通过文本输入观察环境因为LLM通常是文本模型并通过使用工具如网络搜索执行特定操作。为了选择要采取的行动LLM Agent有一个重要组件规划能力。为此LLM需要能够通过思维链等方法进行推理和思考。img利用这种推理行为LLM Agents将规划出需要采取的必要行动。img这种规划行为使Agent能够理解背景LLM、规划下一步规划、采取行动工具并跟踪已采取的行动记忆。img根据系统的不同你可以使用具有不同自主程度的LLM Agents。img根据不同人的观点一个系统越是由LLM决定其行为方式就越具有自主性。在接下来的部分我们将通过LLM Agent的三个主要组成部分——记忆、工具和规划——探讨各种自主行为方法。记忆LLM是健忘的系统或更准确地说在与它们交互时根本不执行任何记忆行为。例如当你向LLM提出一个问题然后跟进另一个问题时它不会记得前一个问题。img我们通常将此称为短期记忆也称为工作记忆它作为接近即时上下文的缓冲区。这包括LLM Agent最近采取的行动。然而LLM Agent还需要跟踪可能数十个步骤而不仅仅是最近的行动。img这被称为长期记忆因为LLM Agent理论上可能需要记住数十甚至数百个步骤。img让我们探索几种为这些模型提供记忆的技巧。短期记忆使短期记忆成为可能的最直接方法是使用模型的上下文窗口这本质上是LLM可以处理的token数量。img上下文窗口通常至少有8192个token有时可以扩展到数十万个token大的上下文窗口可用于将完整的对话历史作为输入提示的一部分进行跟踪。img只要对话历史适合LLM的上下文窗口这种方法就可行是模拟记忆的好方法。然而与其真正记忆对话我们实际上是在告诉LLM这个对话是什么。对于上下文窗口较小的模型或当对话历史较大时我们可以使用另一个LLM来总结迄今为止发生的对话。img通过持续总结对话我们可以保持会话体积小。这将减少token数量同时只跟踪最重要的信息。1.长期记忆LLM Agents的长期记忆包括需要长期保留的Agent过去的行动空间。实现长期记忆的常见技术是将所有先前的交互、行动和对话存储在外部向量数据库中。要构建这样的数据库首先需要将对话嵌入到捕捉其含义的数值表示中。img建立数据库后我们可以嵌入任何给定的提示并通过比较提示嵌入与数据库嵌入来找到向量数据库中最相关的信息。img这种方法通常被称为检索增强生成RAG。长期记忆还可以涉及保留不同会话的信息。例如你可能希望LLM Agent记住它在以前会话中所做的任何研究。不同类型的信息也可以与不同类型的记忆相关联。在心理学中有许多类型的记忆需要区分但《语言Agents认知架构》论文将其中四种与LLM Agents联系起来。img这种区分有助于构建主体框架。语义记忆关于世界的事实可能存储在与工作记忆当前和最近情况不同的数据库中。三、工具工具允许LLM与外部环境如数据库交互或使用外部应用程序如自定义代码运行。img工具通常有两种用途获取数据以检索最新信息和采取行动如安排会议或订购食物。要实际使用工具LLM必须生成与该工具API匹配的文本。我们倾向于期望可以格式化为JSON的字符串以便轻松提供给代码解释器。img请注意这不限于JSON我们也可以在代码本身中调用工具你还可以生成LLM可以使用的自定义函数如基本乘法函数。这通常被称为函数调用。img如果提示正确且全面某些LLM可以使用任何工具。工具使用是大多数当前LLM都具备的能力。img访问工具的更稳定方法是对LLM进行微调稍后会详细介绍。如果主体框架是固定的工具可以按特定顺序使用…img…或者LLM可以自主选择使用哪种工具以及何时使用。LLM Agents本质上是修改LLM的生成序列让LLM自主选择行动/工具将结果在回馈到生成序列中。img换句话说中间步骤的输出被反馈到LLM中以继续处理。img1.Toolformer工具使用是增强LLM能力并弥补其缺点的强大技术。因此近几年关于工具使用和学习的研究迅速增加。img随着对工具使用的关注增加LLM预计将变得更加强大。这些研究不仅涉及指令要求LLM使用工具还包括专门训练它们使用工具。最早采用这种技术的是Toolformer一种训练用于决定调用哪些API以及如何调用的模型。它使用[和]标记来指示调用工具的开始和结束。当给定提示例如5乘以3等于多少它开始生成标记直到达到[标记。img之后它生成标记直到达到→标记表示LLM停止生成标记。img然后工具被调用输出会被添加到迄今为止生成的标记中。img]符号表示LLM现在可以继续生成标记如有必要。Toolformer通过仔细生成包含许多工具用例的数据集来创建这种行为模型可以在这些数据集上进行训练。对于每个工具手动创建少样本提示并用于采样使用这些工具的输出。img输出基于工具使用的正确性、输出和损失减少进行过滤。由此产生的数据集用于训练LLM遵循这种工具使用格式。自Toolformer发布以来出现了许多令人兴奋的技术如可以使用数千种工具的LLMToolLLM或可以轻松检索最相关工具的LLMGorilla。无论如何大多数当前LLM2025年初都已经过训练可以通过JSON生成轻松调用工具如我们之前所见。2.模型上下文协议MCP工具是主体框架的重要组成部分允许LLM与世界交互并扩展其能力。然而当你有许多不同的API时启用工具使用变得麻烦因为任何工具都需要手动跟踪并提供给LLM手动描述包括其预期的JSON模式当其API变更时手动更新img为了使工具更容易在任何给定的主体框架中实现Anthropic开发了模型上下文协议MCP。MCP标准化了对天气应用和GitHub等服务的API访问。它由三个组件组成MCPHost— 管理连接的LLM应用程序如CursorMCPClient— 与MCP Host保持1:1连接MCPserver— 向LLM提供上下文、工具和功能img例如假设你希望LLM应用程序总结你仓库的最新5次提交。MCP主机与客户端一起首先调用MCP服务器询问有哪些工具可用。imgLLM接收信息并可能选择使用工具。它通过主机向MCP服务器发送请求然后接收结果包括使用的工具。img最后LLM接收结果并可以解析给用户的答案。img这个框架通过连接到任何LLM应用程序都可以使用的MCP服务器使创建工具变得更容易。因此当你创建一个与GitHub交互的MCP服务器时任何支持MCP的LLM应用程序都可以使用它。四、规划工具使用允许LLM增强其能力。它们通常使用类似JSON的请求进行调用。但在主体系统中LLM如何决定使用哪种工具以及何时使用这就是规划发挥作用的地方。LLM Agents中的规划涉及将给定任务分解为可执行的步骤。img这个计划使模型能够迭代反思过去的行为并在必要时更新当前计划。img要在LLM Agents中启用规划让我们首先看看这种技术的基础即推理。1.推理规划可执行步骤需要复杂的推理行为。因此LLM必须能够展示这种行为然后才能规划任务的下一步。“推理型LLM倾向于在回答问题前思考”。img这里使用推理和思考这些术语有些宽泛因为我们可以争论这是否是类似人类的思考还是仅仅将答案分解为结构化步骤。这种推理行为大致可以通过两种选择启用对LLM进行微调或特定的提示工程。通过提示工程我们可以创建LLM应遵循的推理过程示例。提供示例也称为少样本提示是引导LLM行为的绝佳方法。img这种提供思维过程示例的方法被称为思维链它能够实现更复杂的推理行为。思维链也可以在没有任何示例零样本提示的情况下启用只需简单陈述让我们一步一步思考。img在训练LLM时我们可以给它提供足够数量的包含类似思考例子的数据集或者LLM可以发现自己的思考过程。一个很好的例子是DeepSeek-R1它使用奖励来引导思考过程的使用。img2.推理与行动在LLM中启用推理行为很好但不一定使其能够规划可执行步骤。我们迄今为止关注的技术要么展示推理行为要么通过工具与环境交互。img例如思维链仅专注于推理。结合这两个过程的首批技术之一被称为ReAct推理和行动。imgReAct通过精心设计的提示词工程来实现这一点。ReAct提示描述了三个步骤思考- 关于当前情况的推理步骤行动- 要执行的一组行动例如工具观察- 关于行动结果的推理步骤提示本身相当直接。imgLLM使用这个提示可作为系统提示使用来引导其行为使其在思考、行动和观察的循环中工作。img它会继续这种行为直到某个行动指定返回结果。通过对思考和观察的迭代LLM可以规划行动、观察其输出并相应调整。因此与具有预定义固定步骤的Agents相比这个框架使LLM能够展示更多自主的主体行为。反思没有人甚至使用ReAct的LLM能完美执行每项任务。只要你能对过程进行反思失败就是过程的一部分。这个过程在ReAct中缺失而Reflexion正是解决这一问题的技术。Reflexion是一种使用语言强化帮助agents从先前失败中学习的技术。该方法假设三种LLM角色执行者— 根据状态观察选择并执行行动。我们可以使用思维链或ReAct等方法。评估者— 对执行者产生的输出进行评分。自我反思— 对执行者采取的行动和评估者生成的分数进行反思。img添加记忆模块来跟踪行动短期和自我反思长期帮助Agent从错误中学习并确定改进的行动。一种类似而优雅的技术是SELF-REFINE其中重复进行细化输出和生成反馈的行动。img同一个LLM负责生成初始输出、细化输出和反馈。img有趣的是这种自我反思行为Reflexion和SELF-REFINE与强化学习非常相似后者根据输出质量给予奖励。五、多Agent协作我们探讨的单Agent存在几个问题工具过多可能使选择复杂化上下文变得过于复杂任务可能需要专业化。相反我们可以转向多Agent框架其中多个agents每个都有访问工具、记忆和规划的能力相互交互并与其环境交互img这些多Agent系统通常由专业Agents组成每个都配备自己的工具集并由监督者监督。监督者管理Agents之间的通信并可以将特定任务分配给专门的Agents。img每个Agent可能有不同类型的可用工具但也可能有不同的记忆系统。实际上有数十种多Agent架构其核心包含两个组件Agent初始化— 如何创建单个专业AgentsAgent编排— 如何协调所有Agentsimg让我们探索各种有趣的多Agent框架并强调这些组件是如何实现的。1.人类行为的交互模拟可以说最有影响力也是非常酷的多Agent论文之一是生成式Agents人类行为的交互模拟。在这篇论文中他们创建了模拟可信人类行为的计算软件agents称为生成式Agents。img给每个生成式Agent的档案使它们以独特的方式行动并帮助创建更有趣、更动态的行为。每个Agent初始化时都有三个模块记忆、规划和反思这与我们之前在ReAct和Reflexion中看到的核心组件非常相似。img记忆模块是这个框架中最重要的组件之一。它存储规划和反思行为以及迄今为止的所有事件。对于任何给定的下一步或问题系统会检索记忆并根据其近期性、重要性和相关性进行评分。得分最高的记忆将与Agent共享。img这些组件共同允许Agents自由地进行活动并相互交互。因此几乎没有Agent编排因为它们没有要完成的特定目标。img交互式演示的注释图片。这篇论文中有太多令人惊叹的信息片段但我想强调他们的评估指标。他们的评估以Agent行为的可信度为主要指标由人类评估者进行评分。img它展示了观察、规划和反思在这些生成式Agents性能中共同作用的重要性。如前所述没有反思行为规划是不完整的。2.模块化框架无论你选择什么框架来创建多Agent系统它们通常由几个组成部分组成包括其档案、环境感知、记忆、规划和可用行动。img实现这些组件的流行框架有AutoGen、MetaGPT和CAMEL。然而每个框架处理各Agent之间通信的方式略有不同。例如使用CAMEL时用户首先创建问题并定义AI用户和AI助手角色。AI用户角色代表人类用户并将引导整个过程。img之后AI用户和AI助手将通过相互交互来协作解决查询。img这种角色扮演方法实现了agents之间的协作通信。AutoGen和MetaGPT有不同的通信方法但都归结为这种协作性质的通信。Agents有机会互相交流更新当前状态、目标和下一步。在过去一年特别是最近几周这些框架的发展呈爆炸式增长。img随着这些框架不断成熟和发展2025年将成为一个真正令人兴奋的年份六、结论以上就是LLM Agents的探索之旅希望这篇文章能让你更好地理解LLM Agents的构建方式。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】