AI进阶实战：大模型（LLM）、智能体（Agent）与提示词（Prompt）-CSDN博客

本文链接：https://blog.csdn.net/m0_65555479/article/details/143696663

前言

人工智能（AI）不再只是科幻电影中的桥段，而是正以前所未有的速度改变着我们的世界。随着大规模语言模型（LLM）系列的崛起，结合高度智能的（Agent）与精心设计的（Prompt），AI 技术正步入一个全新的进阶实战阶段。

本文将带您深入探索这一前沿领域，揭秘如何运用 LLM 大模型、智能体 Agent 与提示词 Prompt，共同编织出未来智能生态的宏伟蓝图。

【打造一款带记忆功能的AI智能通用问答产品】

No.1 实操环境准备

PyCharm 编辑器+Python 编程神器 Jupyter Notebook（可以在线调试-便捷）

FastAPI（极简、快速、高性能Web框架）+redis（数据缓存、存储服务）

pip install fastapi uvicorn openai redis

设置如上-会话存储的 hash 结构：具体的 value 即回答的 N 条真实记录（可结合实际会话ID进行关联），到这里准备工作就已经完成了。

No.2 项目工程搭建

建立 Python Project：这里 LLM 采用 KIMI（moonshot）：

模型版本选择（moonshot-v1-32k）+ 精妙提示词（prompt）设定（高质量的提示词可以帮助模型理解人类的目标，换言之人类直接向模型提出命令或一条通向目标的推理路径。设计一个更有效的交互策略，使得模型生成的内容能符合人的意图和需求）

输入如下命令，启动开发服务器并在代码变更时自动重新加载。

uvicorn main:app --reload --host 127.0.0.1 --port 8888

这样，就能够提供对外的 API 接口出来了，接口调用效果如下：

当然，我们也可以使用 Restlet Client 进行 Rest API Testing：

No.3 智能问答调试

这里，我们给定一些日常话题来看看咨询效果：

因为在之前调试的时候，有些问题已经有了记忆属性，但还是能够看出 AI 可以精准理解我们的输入意图。

对应在 Jupyter Notebook 中的回答效果如下：

看到这里，想必大家对线上众多智能体产品使用体验，不再感觉很神秘了吧。

我们来将提问结合语义、语境升华一下：

接下来，以一个真实案例嵌入：多语-国际化，这里选择一个在多语言环境存在不一样词性的词。

输入请帮我用中文繁体翻译下这段话：

即将发布一个带有新发型妆造的广告

对应 Jupyter Notebook 回答：可以看出对“发”这个词依旧准确地给出了答案。

诚然，Encoder-Decoder的过程：从信息的压缩与抽象->信息的还原与创造。

Encoder 它能够将图像、文本等复杂数据转换成高维向量空间中的特征表示，这些特征既保留了原始数据的核心信息，又便于后续的模型处理与理解。``   ``Decoder 它负责将 Encoder 处理后的数据还原回人类可理解的形式，无论是文字、图像还是声音，并且它还能在解码过程中融入创造力，通过生成对抗网络（GANs）等先进技术，生成全新的、逼真的内容，如高清图像、逼真语音等。``   ``Encoder-Decoder 架构，这一架构在机器翻译、语音识别、图像生成等众多领域展现出了惊人的能力。以机器翻译为例，输入源语言的句子经过 Encoder 编码成一系列向量，再由 Decoder 解码成目标语言的句子，整个过程流畅自然，几乎达到了人类翻译的水平。``   ``在自动驾驶领域，Encoder-Decoder 架构也被广泛应用于环境感知与决策制定。车辆通过摄像头、雷达等传感器收集到的海量数据，经过 Encoder 处理后提取关键信息，再由 Decoder 转化为车辆的控制指令，实现安全高效的自动驾驶。

Ok，now，那我们来继续检测一下上下文联想效果：看看之前咨询的问题，在其背后是如何经过决策并将答案呈现至用户眼前的？

*温馨提示*：上述case经过多次调试-调优过程，对背后技术实现原理感兴趣的可后台私信一起探讨><

【末尾彩蛋】

task1：采用 RAG（Retrieval-Augmented Generation）理念。``   ``我们首先将历史对话记录整合进知识库。接着，通过嵌入技术（embedding）处理``这些记录，并将它们存储于向量数据库（vector store）中。``   ``在接收到查询（query）时，系统会执行搜索匹配，筛选出与查询最相关的文本片段。``这些文本片段随后将与查询一同提交给大型语言模型（LLM），以生成回答。``   ``task2：保持对话连贯性、最新信息的实时性。``此外，系统会分阶段对对话进行汇总，但最近N条记录将保持独立，不进行汇总，``直接用于 LLM 的回答过程中。这样的设计旨在保持对话的连贯性，同时确保最新信息的实时性。

‍

对 AI 在各个领域的应用感兴趣？更多关于人工智能在体育领域的应用，想了解更多关于 AI 黑科技的神奇功能？获取最新资讯和技术干货！👇👇👇

在这里插入图片描述

如何学习AI大模型？

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。

在这里插入图片描述