LLM之Agent初探

已于 2024-01-03 10:45:07 修改
阅读量1.6k 收藏 24
点赞数 18
分类专栏： 大模型通关打怪之旅 文章标签： 人工智能 深度学习 自然语言处理 agent
于 2024-01-02 17:47:20 首次发布
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/qq_44193969/article/details/135346196
版权
本文探讨了如何构建能理解、规划、执行任务的Agent，利用LLM结合规划、反馈和工具使用。通过实例展示了如何让LLM获取当前时间、执行计算、获取天气信息和联网搜索，强调了工具描述和输入参数描述的重要性，指出模型大小影响工具调用效果。
摘要由CSDN通过智能技术生成

LLM之Agent初探

Agent是什么？

Agent一词起源于拉丁语中的Agere，意思是“to do”。在LLM语境下，Agent可以理解为在某种能自主理解、规划决策、执行复杂任务的智能体。

Agent并非ChatGPT升级版，它不仅告诉你“如何做”，更会帮你去做。如果Copilot是副驾驶，那么Agent就是主驾驶。

自主Agent是由人工智能驱动的程序，当给定目标时，它们能够自己创建任务、完成任务、创建新任务、重新确定任务列表的优先级、完成新的顶级任务，并循环直到达到目标。

最直观的公式：Agent = LLM+Planning+Feedback+Tool use

Agent决策流程

感知（Perception）→ 规划（Planning）→ 行动（Action）

  • 感知（Perception）是指Agent从环境中收集信息并从中提取相关知识的能力。
  • 规划（Planning）是指Agent为了某一目标而作出的决策过程。
  • 行动（Action）是指基于环境和规划做出的动作。

Agent通过感知从环境中收集信息并提取相

了解本专栏 订阅专栏 解锁全文
ToTensor
关注
专栏目录
订阅专栏
AI Agent框架（LLM Agent）：LLM驱动的智能体如何引领行业变革，应用探索与未来展望
丨汀、的博客
07-05 1433
AI Agent框架（LLM Agent）：LLM驱动的智能体如何引领行业变革，应用探索与未来展望
基于大模型（LLM）的Agent 应用开发
我相信......
10-15 4563
目前，业界一般认为基于大模型的应用集中在两个方向上：RAG 和 Agent，无论哪一种应用，设计、实现和优化能够充分利用大模型(LLM)潜力的应用都需要大量的努力和专业知识。随着开发人员开始创建日益复杂的LLM应用程序，开发流程不可避免地变得更加复杂。这种流程的潜在设计空间可能是巨大而复杂的，《如何构建基于大模型的App》一文给出了一种探索中的大模型应用开发基础框架，基本可以适用于RAG 和Age...
理解基于LLM的Agent及多Agent架构
最新发布
m0_70839135的博客
07-28 1585
Agent 是一个自主单元，通过编程可以执行任务、做出决策并与环境通信。同样，基于 LLM 的 Agent 是一个高级单元，它将 LLM 作为大脑来进行思考、做出决策并采取行动完成特定任务。这些 Agent 还可以拥有记忆，可以是短期记忆（ Agent 的思路），也可以是长期记忆（对话历史）。它们还可以使用工具来执行任务，如上网搜索、使用计算器等。让我们看看下面的示例–如果用户的天气条件不理想（如大雨、极端温度或大风），则以电子邮件的形式向用户发送个性化提示。
【LLM-agent】利用混合agent来增强大语言模型能力
xxue345678的博客
07-04 809
论文标题：Mixture-of-Agents Enhances Large Language Model Capabilities论文链接：https://arxiv.org/pdf/2406.04692随着LLMs数量的增加，如何利用多个LLMs的集体专业知识成为一个令人兴奋的开放方向。为此，论文提出了一种新方法，通过混合agent（Mixture-of-Agents， MoA）方法论来利用多个LLMs的集体优势。在论文的方法中，论文构建了一个分层的MoA架构，其中每一层包含多个LLMagent。
什么是LLM Agent?
alauda_andy的博客
03-28 2171
LLM Agent 已经成为大语言模型中最有价值的探索方向，也更趋于最前沿的通用人工智能。构建企业自己的 LLM Agent 有助于企业在最前沿的人工智能领域探索具有完全自主性的智能化能力，包括基于企业知识库、企业工具 API（如：会议、审核、报表等）实现完全智能化的操作能力的探索。
LLM之Agent再探
qq_44193969的博客
01-05 1038
LLM之Agent初探1、当业务中有大量的tool时，比如有上千个，这些tool的描述加起来，总长度已经大大超过了LLM的最大输入长度，即使能接受这么长的token，从attention机制来看，效果也好不到哪里去。2、在LLM完成指令时，这几千个tool也不是都会被用上，那些没被用上的tool，且没被使用的tool占了绝大部分，大量的没被使用的tool占着大部分输入的token，造成资源的浪费，且推理性能也会有所下降。基于以上两点考虑，尽量将与实际指令相关的tool加载进agent。
LLM大模型工程入门级知识初探
互联网大厂后端码农，个人IP：无一郎的技术圈，欢迎加入我的知识星球，解锁更多内容
12-23 1139
机缘巧合下自己的接触了大模型相关的研发工作，顺便调研总结一下大模型工程方向可能涉及到的行业热点方向与基础入门知识，还有一些的专业词汇的解释，有时候自己主动探索某个方向是一种乐趣，感兴趣就都可以了解一下。
使用RPA通过GPT大模型AI Agent自动执行业务流程任务企业级应用开发实战：1. RPA与GPT大模型AI Agent的结合初探
AI天才研究院
11-30 113
1.背景介绍 随着人工智能技术的不断发展，我们已经看到了许多与人工智能相关的技术，如机器学习、深度学习、自然语言处理等。在这些技术的基础上，我们可以开发出各种各样的应用程序，以帮助我们更高效地完成各种任务。 在这篇文章中，我们将讨论一种名为RPA（Robotic Process Automation，机器人流程自动化）的技术，它可以帮助我
百篇论文博文导航AI工程之路：FT、KG、RAG与Agent技术全方位探索
丨汀、的博客
07-08 447
百篇论文博文导航AI工程之路：FT、KG、RAG与Agent技术全方位探索
Agent : 一文读懂LLM Agent架构，详解Profile，Memory，Planning，Action模块作用
人工智能曾小健
11-05 7726
对于对Agent感兴趣的朋友们，我推荐一篇论文，它全面地介绍了Agent的架构，对于理解Agent的全局有着重要的价值。架构就像PC的硬件，但仅依赖架构设计是不够的，我们还需要赋予Agent完成不同任务的能力，这些被视为“软件”资源。除了这些基础知识，我认为最有价值的部分在于，它总结了基于大型语言模型（LLM）的Agent的架构，使我们能够按照一定的标准范式去设计自己的Agent。反馈的来源可能来自任务执行结果的客观反馈，也可能是根据人的主观判断给出的反馈，甚至还可以是由辅助模型提供的反馈。
LLM Agent-指令微调方案
2301_81887304的博客
02-11 1672
Toolformer的创新主要在使用模型的Few-shot理解能力，使用少量的人工标注样本制造大量的自监督样本。这样Tooformer理论上可以支持任意的API工具。但Toolformer有一些局限性工具独立：论文中每个API调用的样本是独立构造的，工具之间没有交互，且同一工具的多次调用之间也是独立，不依赖上文的调用返回。常规解码：没有引入思维链推理，限制了最终效果。
从零开始：精通基于大型语言模型（LLM）的Agent应用开发
2401_85373898的博客
06-18 1466
一、引言随着人工智能技术的飞速发展，大型语言模型（Large Language Model，简称LLM）已经成为自然语言处理（NLP）领域的核心技术之一。这些模型，如GPT、BERT等，通过大量的文本数据训练，能够生成人类难以区分的自然语言文本，并在各种NLP任务中展现出卓越的性能。基于LLM的Agent应用开发，旨在将这些强大的语言处理能力应用于实际场景中，为用户提供更加智能、高效的服务。本文将从零基础入门开始，逐步介绍基于LLM的Agent应用开发的全过程。二、LLM基础知识三、Agent应用基础。
AI大模型开发架构设计（1）——LLM大模型Agent剖析和应用案例实战
yangwei2048的博客
01-20 4166
LLM Agent 可以理解为一个以 LLM 为大脑的智能体(类比人)，集成了规划、记忆、工具使用等能力。当“记忆”非常多时，如何在大量“记忆”力快速找到最相关的那些“记忆”?Auto-GPT 的效果很大程度上归功于它复杂的。工具使用能力-function calling。工具使用能力-HuggingGPT。Auto-GPT 的主要框架设计。CoT任务拆解的缺陷是什么？LLM和传统规划方式结合。Auto-GPT 的输出。LLM + 向量数据库。LLM的记忆是什么？
【LLM】基于LLM的agent应用（上）
发现问题，并解决问题，批判性思维
11-19 2288
ote 在未来，Agent 还会具备更多的可扩展的空间。 就 Observation 而言，Agent 可以从通过文本输入来观察来理解世界到听觉和视觉的集成； 就 Action 而言，Agent 在具身智能的应用场景下，对各种器械进行驱动和操作。 Agent 是以核心智能模型来驱动的，一个可以具备能力从思考开始，最终做到完整输出的智能性结构。Agent 的发展很符合第一性原理，从最先的 Prompt，后面有人在写完的 Prompt 后面加通用的规划器。 文章目录 note 零、相关概念介绍 一、人类与AI协
[论文笔记]AIOS: LLM Agent Operating System
日积月累，天道酬勤
06-07 1639
⭐ 作者借鉴操作系统的知识，把LLM多智能体的协作看成是一个操作系统，包括短期的内存(记忆)管理器和长期的存储管理器、智能体调度器、访问管理器等。
LLM agent与agent 的区别
06-02
LLM代理是基于监督学习算法进行训练的，可以根据事先设定的规则进行行为决策，因此在面对已知的环境和任务时表现良好。而一般的agent则通常是基于强化学习算法进行训练的，可以通过与环境的交互来学习最优的行为决策，因此在面对未知的环境和任务时更具有应对能力。两者的区别在于LLM代理更偏向于事先设定好的规则和任务，而一般的agent更注重自主学习和适应能力。
评论
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

ToTensor

你的鼓励将是我创作的最大动力

¥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