今天给大家安利一个开源框架- muAgent v2.0:KG引擎驱动的创新Agent框架。
由LLM和EKG(Eventic Knowledge Graph,行业知识载体)驱动的全新Agent框架,协同利用MultiAgent、FunctionCall、CodeInterpreter等。通过基于画布的拖放和简单的文本编写,大语言模型可以辅助您在人工指导下执行各种复杂的 SOP。
它兼容市场上现有的框架,可以实现四大核心差异化技术功能:复杂推理、在线协作、人机交互、知识点播。该框架已在蚂蚁集团内多个复杂的 DevOps 场景中得到验证。
经过对市面上的框架的深入分析,发现大多数的 Agent 框架整体耦合度较高,其易用性和可扩展性较差。在预设场景中实现特定场景,但想要进行场景扩展却困难重重。
因此,我们构建了一个可扩展、易于使用的 Multi-Agent 框架,以支持 ChatBot 在获取知识库信息的同时,能够辅助完成日常办公、数据分析、开发运维等各种通用任务。
本项目的 Mutli-Agent 框架汲取兼容了多个框架的优秀设计,比如 metaGPT 中的消息池(message pool)、autogen 中的代理选择器(agent selector)等。
项目地址:https://github.com/codefuse-ai/CodeFuse-muAgent/tree/main
Multi-Agent 框架,包括以下内容:
-
Agent Base:构建了四种基本的 Agent 类型 BaseAgent、ReactAgent、ExecutorAgent、SelectorAgent,支撑各种场景的基础活动
-
Communication:通过 Message 和 Parse Message 实体完成 Agent 间的信息传递,并与 Memory Manager 交互再 Memory Pool 完成记忆管理
-
Prompt Manager:通过 Role Handler、Doc/Tool Handler、Session Handler、Customized Handler,来自动化组装 Customized 的 Agent Prompt
-
Memory Manager:用于支撑 chat history 的存储管理、信息压缩、记忆检索等管理,最后通过 Memory Pool 在数据库、本地、向量数据库中完成存储
-
Component:用于构建 Agent 的辅助生态组件,包括 Retrieval、Tool、Action、Sandbox 等
-
Customized Model:支持私有化的 LLM 和 Embedding 的接入
在 Agent 层面,提供四种基本的 Agent 类型,对这些 Agent 进行 Role 的基础设定,可满足多种通用场景的交互和使用。所有的 Action 都由 Agent 执行。
BaseAgent:提供基础问答、工具使用、代码执行的功能,根据 Prompt 格式实现 输入 => 输出
ReactAgent:提供标准 React 的功能,根据问题实现当前任务
ExecutorAgent:对任务清单进行顺序执行,根据 User 或 上一个 Agent 编排的计划,完成相关任务 Agent 接受到任务清单(List[task]),对这个任务清单 Task 进行循环执行(中间也可添加 Feedback Agent 来进行任务重新优化),直到任务完成
SelectorAgent:提供选择 Agent 的功能,根据 User 或 上一个 Agent 的问题选择合适的 Agent 来进行回答.
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。