LangChain 实战指南：快速实现智能 Agent 创建的零起点攻略

前言

Prompt Enginnering 是打开LLM宝库的一把金钥匙，如果prompt得法，并能将其技巧与某项工作深度结合，那必将大大增效。今天我们来聊聊如何优化Prompt设计、Prompt Template管理等技术和体力活，并赋能老喻干货店的营销活动。

LLM Prompt

有没有可能让LLM为了某个任务尝试自己组装Prompt Template,优化Prompt过程呢？

CAMEL

来自阿卜杜拉国王大学的CAMEL,提出了一种基于“角色扮演”的LLM交流方式，让不同的的AI Agent扮演不同的角色，相互聊天把活给整了。这不就是AutoGen吗？欢迎大家看我的[AutoGen]系列文章。

CAMEL是头骆驼，英文全称是Communicate Agents for Mind Exploration of Large Scale Language Model Society。CAMEL是Communicate(沟通)、Agent(代理)、Mind(心智)、Exploration(探索)和LLM(大模型)的首字母缩写集合。

• 聊天式代理

每一次和大佬聊天，都是成长的机会，Communicate Agents大概就是这个意思。起初的交流是用户与Agent的交流，让用户的需求通过Prompt的方式清晰和完整的交给AI Agent。之后这个用户代理Agent和其它AI Agents交流，交换信息、解决问题，待解决完成后，最后汇报给用户。多么和谐的国王朝会场景啊。

• 角色扮演

role-playing。国王朝会，大臣是AI Agents，当然各司其职，各有角色。所谓鸡鸣狗盗者，都有其用武之地。AI应用开发，在CAMEL的设计模式下，就变成了以开发各种不同的Agent为主。不同角色，所有角色的Agents到齐后，聊天式做完工作。

• 启示式提示

inception prompting。让不同角色的Agent完成工作，我们需要给每个Agent以清晰的提示，即Prompt。而且这个Prompt 即Agent聊天的内容，除最初用户的交待外，其余的由Agent自己生成，通过聊天的方式交给其它Agent。

CAMEL 股票交易

CAMEL论文中提了一个股票交易的例子。

• 场景

即股票交易

• 角色

用户有开发股票交易软件的需求，但不知道怎么做。就好像马云不会写代码和财务一样，他只要有让天下没有难做的生意这个场景和需求，它只要找来程序员Agent和财务Agent就可以了。喔，和AI Agent一起共事或创业是未来的主旋律。

任务指定代理 （Task Specifier Agent）。用户的需求和想法可能比较模糊，任务指定代理负责将其细化，那么Task Sepcifier Agent大概会生成这样的启示式提示：

开发一个股票交易robot,收集社交媒体上特定股票的信息，并根据情感分析执行交易。

这样，其它Agents就得到了清晰的任务，可以开始执行，并且需要的AI角色有：

1. 一个会写Python的AI 工程师助手
2. 一个懂股票交易的AI 证券师

接下来，它们两位会经过多轮对话，直到将任务完成，我们不需要有任何介入，这就是CAMEL的魅