智能体agent学习--书生·浦语大模型第二期实战营第六课笔记&作业

一、笔记

1.1 Agent背景

• 为什么要有Agent
  大语言模型（LM）在处理语言相关任务上虽然表现出色，但存在局限性，如幻觉、时效性差、可靠性不足。模型训练数据过时可能导致错误输出。智能体（Agent）被提出以克服这些局限性，它们能够感知环境动态并采取相应动作。
  

• Agent是什么
  智能体能够感知环境中的动态条件，并采取动作影响环境。它们运用推理能力理解信息、解决问题、产生推断并决定动作。
  

• Agent的组成
  智能体由大脑（控制器）、感知模块和动作模块组成。大脑负责记忆、思考和决策，感知模块处理外部环境的多模态信息，动作模块利用工具影响环境。
  

1.2 Agent三个范式

AutoGPT

AutoGPT是一种自动化的智能体范式，图中包含三个不同功能的大模型，分别的作用是：

• TPA（Task Priorityzation Agent）：根据任务特性调整任务优先度，影响任务队列。

• TCA（Task Creation Agent）：根据memory的输入，和上一步执行的结果，进行下一步任务的创建。

• EA（Execution Agent）：从memory中读取context，综合信息，执行具体任务
  它通过以下步骤实现任务的自动化执行：

• 输入：智能体接收到一个任务或指令作为输入。

• 选择工具：根据输入的任务，智能体自动选择一个合适的工具来执行该任务。这些工具可以是软件、API、硬件设备等。

• 人工干预：在某些复杂或不确定性的情况下，可能需要人工介入以帮助决策或处理。

• 执行工具：智能体使用选定的工具来执行任务，达成目标。
  

ReWoo

ReWoo是一种以计划为基础的智能体范式，它通过计划拆分和执行来完成任务：

• 计划拆分：将复杂的任务拆分为更小、更易管理的子任务。
• DAG：为每个子任务进行串联，形成一个任务的有向无环图
• 计划执行：根据生成的任务计划，逐步对任务进行正确执行。
  

ReAct

ReAct是一种反应式的智能体范式，它侧重于对环境变化的快速响应：

• 输入：智能体接收环境变化的输入信息。
• 选择工具：根据输入信息，智能体选择适当的工具或策略来应对。
• 执行工具：立即执行选定的工具或策略，以响应环境变化。
• 结束：任务执行完毕后，智能体回到待命状态，等待下一次输入。
  

1.3 InternLM Agent工具体系

• Lagent
  Lagent 是一个轻量级开源智能体框架，旨在让用户可以高效地构建基于大语言模型的智能体。同时它也提供了一些典型工具以增强大语言模型的能力。Lagent 目前已经支持了包括 AutoGPT、ReAct 等在内的多个经典智能体范式，也支持了如下工具：

• Arxiv 搜索

• Bing 地图

• Google 学术搜索

• Google 搜索

• 交互式 IPython 解释器

• IPython 解释器

• PPT

• Python 解释器
  

AgentLego
AgentLego 是一个提供了多种开源工具 API 的多模态工具包，旨在像是乐高积木一样，让用户可以快速简便地拓展自定义工具，从而组装出自己的智能体。通过 AgentLego 算法库，不仅可以直接使用多种工具，也可以利用这些工具，在相关智能体框架（如 Lagent，Transformers Agent 等）的帮助下，快速构建可以增强大语言模型能力的智能体。

两者关系

通过下图可以看出，Lagent可以快速实现agent框架，AgentLego可以快速提供Agent中需要的工具包。

详见：https://github.com/InternLM/Tutorial/blob/camp2/agent/README.md

二、作业

• 完成 Lagent Web Demo 使用，并在作业中上传截图。
  
  

• 完成 AgentLego 直接使用部分，并在作业中上传截图。
  

• 完成 AgentLego WebUI 使用，并在作业中上传截图。
  
  

• 使用 Lagent 或 AgentLego 实现自定义工具并完成调用。

三、课程地址，参考资料

https://github.com/InternLM/Tutorial/blob/camp2/agent/README.md
https://www.bilibili.com/video/BV1Xt4217728/?spm_id_from=333.788&vd_source=4a1f090b324d70d9ba6d188bfac3ddf4