随着LLM不断发展,基于LLM的Agent今年来十分火热。Agent知识库不仅可以存储大量的信息,还包含了丰富的规则、算法和模型,是Agent实现智能化决策和行动的关键。本文将介绍Agent知识库的功能、原理以及相关落地应用。
概览
能力
1.Knowledge:
领域学科知识、企业知识、经验知识、特定场景的内容知识、推理规则、学习算法等,涵盖事实、规则、算法等方面。
2.Memory:
我们经常提到的“记忆”模块也可以归为知识库的内容。
短期记忆:与用户沟通的临时性信息,会话上下文信息、临时变量等信息作为短期记忆,用于理解用户意图并准确回答。
长期记忆:数据库、LLM参数、数据图谱等形态通过存储与处理历史数据,实现个性化服务与智能推荐。
短期记忆的内容,可以抽象总结沉淀作为长期记忆的内容,以便于提升模型的智能与个性化服务能力。
使用
知识库的使用包括数据处理、检索与召回、辅助内容生成三部分。后续写篇介绍RAG的文章再重点讲。
应用
-
智能客服系统:
场景描述:智能客服系统利用Agent知识库提供24小时不间断的客户服务。
详细说明:当客户提出问题或请求时,智能客服Agent会首先分析客户的问题,并从知识库中检索相关的答案或解决方案。知识库可能包含常见问题解答(FAQ)、产品手册、服务指南等内容。Agent能够快速定位并提供准确的回复,提高客户满意度和客服效率。
-
智能旅游助手:
场景描述:智能旅游助手Agent通过知识库为用户提供旅行规划、景点推荐、交通指南等服务。
详细说明:知识库包含了全球各地的旅游景点信息、当地文化特色、交通线路、酒店住宿等内容。当用户提出查询或请求时,Agent会从知识库中检索相关信息,并结合用户的偏好和需求进行推荐。此外,Agent还可以根据用户的历史旅行记录,为用户提供更加个性化的旅行建议。
-
智能医疗助手:
场景描述:智能医疗助手Agent协助医生进行疾病诊断、治疗方案推荐等工作。
详细说明:知识库存储了大量的医学知识、病例数据、治疗方案等内容。当医生遇到疑难病例时,Agent可以从知识库中检索相关的医学知识和类似病例的治疗方案,为医生提供参考。此外,Agent还可以根据患者的病史、症状等信息,协助医生进行初步的疾病诊断和治疗方案推荐。
Memory应用举例
长期记忆与短期记忆部分不太好理解,我们举具体应用实例了解一下:
应用名称:智能旅游助手Agent
背景:
开发一个智能旅游助手Agent,帮助用户规划旅行行程、提供景点推荐、预订机票酒店等服务。
长期记忆:
-
数据库:存储用户的历史旅行记录、偏好设置、常用联系人等信息。这些信息是Agent的长期记忆,用于分析用户的旅行习惯和偏好,以提供更加个性化的服务。
-
知识库:包含世界各地的旅游景点、文化特色、当地美食等结构化信息。这些知识是Agent的长期记忆,用于回答用户关于旅行的问题和提供推荐。
-
MLM:通过训练机器学习模型(如推荐算法),Agent可以学习到用户的兴趣点和偏好,并将这些知识作为长期记忆存储在模型的参数中。例如,根据用户的历史旅行记录和搜索行为,Agent可以预测用户可能感兴趣的景点和活动,并主动推荐给用户。
短期记忆:
-
会话上下文:在与用户进行交互时,Agent需要存储当前的会话上下文信息,如用户的提问、上一步的响应等。这些信息是Agent的短期记忆,用于理解用户的意图并生成准确的回答。例如,当用户询问某个景点的开放时间时,Agent需要记住用户提到的景点名称,并在回答中引用该名称。
-
任务状态:如果用户正在规划一个旅行行程,Agent需要存储当前的任务状态信息,如已选择的景点、机票酒店预订情况等。这些信息是Agent的短期记忆,用于跟踪任务的进度并提醒用户完成剩余步骤。
-
临时变量:在处理复杂任务或计算时,Agent可能需要使用临时变量来存储中间结果或待处理的项。这些变量只在当前任务处理期间有效,一旦任务完成或计算结果输出,这些变量就会被清除。
总结:
在这个智能旅游助手Agent的项目中,长期记忆和短期记忆都发挥了重要作用。长期记忆存储了用户的历史数据、知识库和机器学习模型等持久性信息,用于支持Agent的个性化服务和智能推荐;而短期记忆则存储了当前的会话上下文、任务状态和临时变量等临时性信息,用于支持Agent与用户进行实时交互和完成当前任务。通过合理利用这两种记忆模块,可以使Agent更加智能、高效地为用户提供旅行助手服务。
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。