基于大语言模型的智能体入门

一、大模型
1.工作原理
2.固有缺陷及改进方法
(1)不具备知识出现幻觉
改：使用外接知识库给LLM提供知识
(2)无法解决复杂逻辑任务
改：多个LLM协同，各司其职
(3)不擅长数学运算
改：使用外接工具如计算器等

二、大模型开发现有开发范式
1.检索增强生成（RAG）
(1)检索增强生成（Retrieval Augmented Generation，简称 RAG）是一种人工智能框架，将预先训练的语言模型与检索机制相结合，旨在解决一些不仅仅需要通用语言模型知识的任务。
(2)RAG 的工作原理如下：
检索：检索模型接收输入（如查询或提示）后，使用检索系统在广泛的文档数据库中搜索与输入最相关的文档，运用各种技术（如 tf-idf、bm25 或密集检索器等神经方法）来排序和选择最相关的信息，然后将选定的信息传递给生成模型。
生成：生成模型采用序列到序列转换器，获取用户查询和检索到的上下文，并生成连贯且上下文相关的响应。该转换器不仅考虑原始输入，还会结合检索到的文档，以确保生成的响应精确且有意义，最终的响应是检索到的信息和模型自身生成能力的组合。

2. Al Agent
(1) AI Agent 是一种能够在特定环境中自主感知、思考、决策和行动，以实现特定目标或完成特定任务的智能实体。
(2) 组成部分
感知模块：用于收集环境中的信息，如传感器数据、文本输入、图像等。
知识表示与存储：存储和管理 Agent 所获取的知识和经验，常见的有数据库、知识图谱等。
推理与决策模块：根据感知到的信息和已有知识进行推理和决策，运用算法和模型确定行动策略。
行动模块：执行决策模块制定的行动，与环境进行交互，如控制机器人的运动、发送网络请求等。
(3)类型
反应型Agent：根据当前的感知直接做出反应，没有内部状态或记忆，例如简单的自动售货。
思考型Agent：具有内部状态和推理能力，能够规划和预测未来，例如智能导航系统。
学习型Agent：能够从与环境的交互中学习和改进自己的行为，例如通过强化学习训练的游戏AI。

三、Prompt工程
1.定义：Prompt 工程指的是精心设计输入给模型的提示 (Prompt)，以引导模型生成更准确、有用和符合期望的输出。
2.作用
(1)引导模型的输出方向，明确告知模型需要解决的问题或生成的内容类型。
(2)提供背景信息和上下文，帮助模型更好地理解任务和输入数据。
(3)激发模型的创造力，给予一些启发和示例，促使模型生成新颖的内容。
3.关键要素
(1)清晰明确，避免模糊和歧义，让模型能够准确理解意图。
(2) 具体详细，包含足够的关键信息和约束条件。
(3)适当的示例，展示期望的输出格式或风格。
(4)适应性 根据不同的模型和任务进行调整。
4.设计 Prompt 的方法
(1)逐步引导，分步骤给出提示，逐步引导模型的思考过程。
(2) 多角度描述，从不同的角度描述问题或需求。
(3) 利用模板，遵循固定的结构和格式。
5.主流 Prompt 工程

四、智能体
1.定义：智能体是能够感知环境、做出决策并执行动作以实现特定目标的实体。
2.特点

• 自主性：能够独立地进行决策和行动，不需要持续的外部干预 
• 感知能力：通过传感器或其他方式获取环境信息
• 学习能力：能够从经验中学习，改进自身的行为和决策

3.分类

• 简单智能体：具有有限的感知和决策能力
• 反射型智能体：基于当前感知直接做出反应
• 基于模型的智能体：利用内部模型预测未来状态并做出决策
• 目标导向智能体：专注于实现特定目标

4.应用领域 

• 交通领域：自动驾驶汽车、智能交通系统
• 医疗领域：辅助诊断、医疗机器人
• 工业领域：自动化生产线、智能仓储
• 金融领域：风险评估、智能投资顾问