超越GPT4的Agent，我用代码实现了！

❝

最近，人工智能领域的泰斗吴恩达教授提出了一个观点，即通过智能体工作流构建的AI在某些应用场景中的表现甚至可以超越GPT-4。他认为，智能体工作流将是推动今年人工智能发展的重要趋势。本文将深入探讨这一理念，并以LangGraph为例，实现一个能够自我反思和优化代码的智能体。

Agent开发的四种设计模式

在吴恩达教授的演讲中，他提到了四种可以显著提升AI智能体性能的设计模式：

1. 反思（Reflection）：智能体审视自己的工作，并提出改进的方法。

2. 使用工具（Tool use）：智能体利用网络搜索、代码执行等工具来收集信息、采取行动或处理数据。

3. 规划（Planning）：智能体制定并执行多步骤计划来达成目标。

4. 多智能体协作（Multi-agent collaboration）：多个智能体共同工作，通过分配任务和讨论来提出更优的解决方案。

反思（Reflection）的深度解析

在吴恩达教授提出的AI智能体工作流中，反思（Reflection） 是一个关键的概念，它指的是智能体在完成任务后，能够自我审视其产出，并主动寻找潜在的改进空间。这种能力不仅对于提升智能体的性能至关重要，也是模拟人类学习过程的关键环节。

反思的过程

反思过程通常包括以下几个步骤：

1. 产出生成：智能体根据给定的任务或问题生成初始的解决方案或产出。

2. 自我评估：智能体审视自己的产出，检查是否存在错误、不足或可以改进的地方。

3. 反馈整合：智能体根据自我评估的结果，对产出进行修改和优化。

4. 迭代循环：智能体重复上述过程，通过不断的反思和改进，逐步提升产出的质量。

❝

吴恩达教授通过一个代码生成的例子来阐释了反思技术。假设我们要求一个代码智能体为特定任务编写代码，它将根据提示生成代码。然后，我们可以要求智能体检查这段代码的正确性、风格和效率，并提出改进建议。这个过程可以通过多次迭代来不断优化代码。

反思的重要性

反思技术的重要性在于它模拟了人类解决问题的方式。在面对复杂问题时，我们往往会先尝试一种解决方案，然后评估其效果，根据反馈进行调整，最终得到一个更好的解决方案。通过在AI智能体中实现这一过程，我们可以使其更加接近人类的思维方式，从而在各种任务中表现得更加出色。

基于LangGraph的代码智能体实战

接下来，我们将使用LangGraph来实现一个具有反思能力的代码智能体。我们将分步骤进行，每一步都会有相应的代码示例。

为了进一步充实和细化最后的代码实战章节，我们将深入探讨每个步骤的细节，并提供更多的代码示例和解释，以便读者更好地理解如何实现一个具有反思能力的代码智能体。

1. 定义智能体间的消息通道

在构建智能体系统时，状态管理是非常关键的。我们需要一个状态类来跟踪智能体的状态，这包括问题的当前描述、已生成的代码、迭代次数等信息。

from typing import Dict, TypedDict      class GraphState(TypedDict):       keys: Dict[str, any]   

这个GraphState类是一个简单的字典，它允许我们存储和检索智能体的状态信息。这使得我们可以在智能体的不同部分之间传递信息，并在整个工作流中保持状态的一致性。

2. 定义代码助手agent和编程导师agent

智能体的工作流程通常包括多个步骤，每个步骤都由一个特定的智能体来执行。在这个例子中，我们有两个智能体：一个代码生成器和一个代码导师。

详细代码见github：https://github.com/q2wxec/langgraph-demo

def generate(state: GraphState):       # 代码生成器智能体的实现       # ...       pass      def code_mentor(state: GraphState):       # 代码导师智能体的实现       # ...       pass   

generate函数负责根据当前状态和问题生成代码。如果生成的代码在之前的迭代中被标记为不正确，它将使用反馈来改进代码。code_mentor函数则扮演一个导师的角色，评估生成的代码，并提供是否正确的判断以及改进的建议。

3. 定义多智能体交互流程

智能体之间的交互流程是工作流的核心。我们需要定义一个图结构，指定智能体之间的通信路径和条件。

from langgraph.graph import END, StateGraph      # 定义工作流图   workflow = StateGraph(GraphState)      # 添加节点和边   workflow.add_node("generate", generate)   workflow.add_node("code_mentor", code_mentor)   workflow.set_entry_point("generate")   workflow.add_edge("generate", "code_mentor")   workflow.add_conditional_edges(       "code_mentor",       decide_to_finish,       {           "end": END,           "generate": "generate",       },   )      # 编译工作流   app = workflow.compile()      # 运行工作流   app.invoke({"keys":{"question":"如何实现归并排序算法？","iterations":0}})   

在这个流程中，我们首先从generate节点开始，生成初始代码。然后，我们根据code_mentor节点的反馈，决定是继续生成代码还是结束流程。如果代码被认为不正确，我们将回到generate节点，进行下一轮迭代。这个过程会持续进行，直到我们得到正确的代码，或者达到了预设的迭代次数上限。

案例总结

通过这个实战示例，我们展示了如何使用LangGraph来构建一个具有反思能力的代码智能体。这个过程不仅涉及到代码的生成和评估，还包括了智能体之间的协作和信息交换。这种工作流的设计模式能够有效地提升智能体的性能，并使其更加接近人类的解决问题的方式。

在实际应用中，这种方法可以用于自动代码审查、智能编程助手、自动化测试等场景。随着AI技术的不断进步，我们期待看到更多采用这种工作流的智能体出现，并在各个领域发挥重要作用。

结语

通过本文的介绍和实战示例，我们可以看到，智能体工作流和反思技术在提升AI性能方面的巨大潜力。随着技术的发展，我们有理由相信，未来的AI将更加智能、高效，能够更好地服务于人类社会。让我们共同期待并推动这一领域的进步。

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】