【AI Agent系列】【源码实战】CodeAct - 使用AgentScope完整实现 - 代码使LLM Agent更强大高效灵活

最新推荐文章于 2024-10-15 13:20:57 发布
最新推荐文章于 2024-10-15 13:20:57 发布
阅读量109 收藏
点赞数 1
分类专栏： 大模型 文章标签： 人工智能 prompt AIGC 笔记 gpt AI-native AgentScope
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Attitude93/article/details/141717810
版权

大家好，我是 同学小张，+v: jasper_8017 一起交流，持续学习C++进阶、OpenGL、WebGL知识和AI大模型应用实战案例，持续分享，欢迎大家点赞+关注，共同学习和进步。

上篇文章 【AI Agent系列】【论文学习】CodeAct - 代码使LLM Agent更强大高效灵活 我们学习了CodeAct 的原理，知道 CodeAct 让大模型根据任务生成可执行代码来将所有工具的调用统一到一个环境中，与Python解释器集成，自动执行代码动作，并在多轮交互中根据新观察动态修改先前动作或发出新动作，大大提升 Agent 与环境之间的交互能力和灵活性。本文我们来根据上篇文章中的原理，使用AgentScope框架来完整实现一遍，从而对CodeAct有一个更具体和深入的认识。

文章目录

0. 先看运行过程和结果，

了解本专栏 订阅专栏 解锁全文 超级会员免费看
同学小张
关注
专栏目录
订阅专栏
【AI Agent系列】【论文学习】CodeAct - 代码使LLM Agent更强大高效灵活
同学小张的博客
09-03 100
CodeAct 核心提供了一种思想，用代码来进行智能体-环境的交互（例如工具调用），提高效率和通用性。CodeAct 的行动空间自然地支持搜索、记忆等过程，例如记忆通过创建一个数据库进行实现。
modelscope-agent
whaosoft143ai的博客
09-09 453
比如，当用户请求「写一个简短故事，并用女声朗读，同时配个视频」时，ModelScope-Agent 会展示整个任务规划过程，先通过工具检索检索相关的语音合成工具，然后由开源 LLM 进行规划调度， 首先生成一段故事，然后调用对应语音生成模型，生成语音并用女声念出，展示给用户，最后再调用视频生成模型，针对生成的故事内容生成一段视频；ModelScope-Agent 是一个通用的、可定制的 Agent 框架，用于实际应用程序开发，其基于开源的大语言模型 (LLMs) 作为核心，包含记忆控制、工具使用等模块。
Single-Agent 大翻身：Multi-Agent 可以退下了？
m0_59235245的博客
10-07 948
目前大多数实用的 AI 代理都是基于像 Anthropic 的 Claude[5] 或 OpenAI 语言模型[6] 这样的大型语言模型（LLM）。底层大语言模型（The Underlying LLM）提示词（Prompt）：提示词可以是指定模型行为的系统提示词，也可以是从代理的外部环境中获取的相关信息。动作空间（Action Space）：指的是赋予代理在世界中采取行动的工具。通常，在讨论多代理系统时，我们至少会在这三个组成部分中的某一个上进行变动。
基于AgentScope框架，搭建简单的Agent应用代码
ge20040119的博客
05-12 695
随着大型语言模型 （LLM） 的快速发展，多智能体应用取得了重大进展。然而，协调代理合作的复杂性和 LLM 不稳定的性能给开发健壮高效的多智能体应用程序带来了显著的挑战。而AgentScope能够很好的适应开发所带来的困难，能够帮助开发人员搭建想要的智能体应用。
agenthub\codeact_agent\codeact_agent.py
数字人生
07-22 1066
_get_messages(self, state: State) -> list[dict[str, str]]: 根据当前状态构建消息列表，发送给LLM模型，提示它执行下一步操作。CodeActAgent 作为一个简化的执行代码操作的智能代理系统，通过整合多种插件和工具，提供了强大的任务执行能力。- get_system_message(): 获取系统消息，包含一些环境配置说明和插件系统的帮助信息。- get_action_message(action: Action): 将操作转换为消息字典。
AI推介-大语言模型LLMs论文速览（arXiv方向）：2024.08.01-2024.08.05
小小帅
08-14 1205
人类并非经济人（即理性经济人）。作为人类，我们会表现出系统性的行为偏差，如损失厌恶、锚定、框架等，这些偏差会导致我们做出次优的经济决策。既然这些偏差可能存在于训练大型语言模型（LLMs）的文本数据中，那么 LLMs 在多大程度上也容易出现同样的行为偏差呢？了解 LLM 中的这些偏差对于部署 LLM 以支持人类决策至关重要。我们提出了效用理论–现代经济理论的核心范式–作为评估 LLMs 经济偏差的一种方法。效用理论可以量化经济行为，并将其与完全理性或人类行为等基准进行比较。
GPT-4绝对性能暴涨74.4%！UIUC苹果华人团队提出CodeAct，用Python代码统一LLM智能体行动...
阿木寺的博客
02-14 96
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达春节最后福利！CVer学术星球新人和续费优惠券来了！为了感谢大家的支持，限时赠送10张50元新用户优惠券(下图左边二维码)，10张20元老用户续费券(下图右边二维码)，龙年坚持分享更多更好的工作，寒假不停更！助力你的科研和工作！顺利毕业升学，升职加薪！转载：新智元 | 编辑：桃子【导读】最近，UIUC苹果华人提出了一个通用智能体框...
CodeActAgent ：Executable Code Actions Elicit Better LLM Agents解读
jiayoudangdang的博客
10-14 656
大型语言模型（LLM）代理，能够执行广泛的操作，例如调用工具和控制机器人，在解决现实世界的挑战方面显示出巨大的潜力。通常，LLM代理通过生成JSON或预定义格式的文本来产生行为，这通常受限于有限的操作空间（例如，预定义工具的范围）和有限的灵活性（例如，无法组合多个工具）。本研究提出使用可执行的Python代码将LLM代理的操作整合到一个统一的操作空间（CodeAct）。通过集成Python解释器，CodeAct可以执行代码操作，并通过多轮交互根据新的观察结果动态调整先前的操作或发出新的操作。
agenthub\codeact_agent\action_parser.py
数字人生
07-17 784
这段代码实现了一个灵活的动作解析系统，能够根据不同的动作标签解析并执行相应的动作。通过使用多个子解析器和一个默认解析器，系统能够处理多种类型的动作，并确保在解析过程中的一致性和正确性。
使用C51编程实现单片机与PC机串口通信
实验单片机与PC机串口通信实验要求掌握串行口的控制与状态寄存器SCON、特殊功能寄存器PCON、串行口的工作方式及其设置、串行口的波特率选择等知识点，并通过实验步骤和代码分析，实现单片机与PC机之间的串口通信。
【人工智能学习之PaddleOCR快速上手】
Jiagym的博客
10-12 1283
在配置文件中，可以设置组建模型、优化器、损失函数、模型前后处理的参数，PaddleOCR从配置文件中读取到这些参数，进而组建出完整的训练流程，完成模型训练，在需要对模型进行优化的时，可以通过修改配置文件中的参数完成配置，使用简单且方便修改。而 L2 正则化中，添加正则化项的目的在于减少参数平方的总和。准确检测的标准是检测框与标注框的IOU大于某个阈值，正确识别的检测框中的文本与标注的文本相同。如果缺少带标注的数据，或者不想投入研发成本，建议直接调用开放的API，开放的API覆盖了目前比较常见的一些垂类。
DINO&DINO v2：颠覆自监督视觉特征表示学习
家鸽的代码屋
10-15 854
DINO系列学习总结
线性判别器LDA
qq_52421831的博客
10-10 1320
LDA是一种有监督的降维方法，和它比较类似的是PCA(一种无监督的降维方法)
论文及其创新点学习cvpr2022 On the Integration of Self-Attention and Convolution
qq_53536373的博客
10-13 458
论文创新点，将注意力机制 和卷积 相结合。
【进阶OpenCV】 （6）--指纹识别
m0_74896766的博客
10-06 1806
本篇介绍了，如何将源图像指纹同指纹库中的指纹进行匹配，并得到的对应指纹的信息。
骨架提取（持续更新）
xiongmaowangd的博客
10-13 615
骨架提取是图像处理或计算机视觉中的一种技术，用于从二值化图像中提取物体的中心线或轮廓，通常称为“骨架”或“细化图像”。这一技术主要用于简化形状表示，同时保留物体的拓扑结构。这里我们强调了，是对二值化图像中进行提取。
R语言生物群落（生态）数据统计分析与绘图实践技术应用
JWW19903121626的博客
10-10 1158
R 语言作的开源、自由、免费等特点使其广泛应用于生物群落数据统计分析。生物群落数据多样而复杂，涉及众多统计分析方法。以生物群落数据分析中的最常用的统计方法回归和混合效应模型、多元统计分析技术及结构方程等数量分析方法为主线，通过多个来自经典研究中的实例，详细讲述各方法的R语言实现途径。
【深度学习】RNN实战
最新发布
言兼小师傅的博客
10-15 340
【代码】【深度学习】RNN实战。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

同学小张

如果觉得有帮助，欢迎给我鼓励！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值