从大模型到Agentscope——多智能体应用开发实战

在这里插入图片描述

目录

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

搭建复杂游戏应用

在这里插入图片描述

多智能体应用

在这里插入图片描述

  • 解谜小说游戏应用

在这里插入图片描述
在这里插入图片描述

  • 利用文字和图片 多模态丰富体验
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
  • 通过对话,线索进行斗智斗勇

在这里插入图片描述

  • 编剧助手
    在这里插入图片描述
  • 零代码开发,根据自己想象力创造游戏

在这里插入图片描述

快速回顾多智能体应用

在这里插入图片描述

  • 在Multi-Agent应用中,开发分为两个部分
  • 构建Agent间通信 · 实现Agent内逻辑
    在这里插入图片描述
  • AgentScope中,信息的载体被统一抽象成“消息(message)"

在这里插入图片描述

  • 不同信息的传递方式
    在这里插入图片描述

复杂应用搭建教学

在这里插入图片描述

  • 0代码搭建自定义《谜馔》游戏
  • 狼人杀实现的深入探究

0代码实现《谜馔》

在这里插入图片描述

  • 架构简介 – 谜馔
    在这里插入图片描述
  • 架构简介 – 谜馔
    • 核心组件详解
      • NPC智能体(Customer)
        • 基于 Stateful agent
        • 根据状态调整 prompting&记忆
        • 其他feature:
          • 根据好感度调整记忆
          • 以npc在游戏中的视 角生成故事
          • 完成任务后自动调整 人物背景
      • 用户智能体
        • 基于 User agent
        • 作为玩家的proxy
        • 其他feature:
          • 和大模型配合生成菜品
          • 让大模型检查输入,确 保玩家输入不会偏离游 戏主题太远
          • 任务完成监测

customer.py

class Customer (StateAgent, DialogAgent) : 
	def __ init __ (self, game_config: dict, ** kwargs: Any) : 
	# register states with the handlers, so that self. reply ( ... ) # can automatically switch answer-generation functions self.register_state( state=CustomerConv.OPENING, handler=self ._ opening_chat,) 
	self.register_state(state=CustomerConv. 
	AFTER_MEAL_CHAT, handler=self ._ main_plot_chat,

	def _opening_chat(self, x: dict) -> dict:

	def _main_plot_chat(self, x: dict) - dict:

	def _relation_to_clues () : 
		# 根据角色好感动控制agent记忆中、对话中的线索

	def generate_pov_story( ... ): 
		# 根据剧情 + 玩家游戏过程,生成一段故事

	def refine_background(self) : 
		# 完成一个剧情后自动调整角色背景,为下一剧情做准备

用户智能体
在这里插入图片描述

class RuledUser (AgentBase) : 
	def __ init __ ( ... ):

	def reply ( ... ) : 
		content = get_player_input ( ... ) # 规范化用户输入
		ruler_res = self. is_content_valid(content)

	def cook () : 
		# 玩家做菜功能

	def success_detector(condition, announcement) : 
		# 动态监测发言是否满足通关条件

在这里插入图片描述

  • APP分支下进行魔改开发

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

  • 需要配置剧情和角色

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

实现狼人杀

在这里插入图片描述

  • 通过json控制Agent参数配置
  • 为每个角色分配变量
  • 采用message-hub实现群聊
  • 9
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
AI大模型应用开发实战是指在实际项目中应用开发人工智能模型的过程。在开展这项工作时,我们需要遵循一系列步骤和准则,确保应用的高效性和可行性。 首先,我们需要明确项目目标和需求。在制定开发计划之前,我们必须清楚了解项目的具目标和需求,例如是要开发一个智能客服系统,还是进行图像识别或自然语言处理等任务。 接下来,我们需要收集和准备数据。数据是训练大模型不可或缺的要素,因此我们需要选择合适的数据集,并进行数据预处理,包括数据清洗、标注和分割等工作。同时,为了保护数据的隐私和安全性,我们也需要采取相应的措施。 然后,我们需要选择合适的大模型和算法。根据项目需求,我们可以选择现有的大模型,如OpenAI的GPT系列或Google的BERT模型,也可以根据需求进行定制化开发。在选择算法时,我们需要考虑模型的准确性、效率和可扩展性等方面。 接着,我们进行模型训练和优化。这一步骤包括设置训练参数、利用数据进行模型训练和验证,以及对模型进行调优和优化,以提高其准确性和性能。 最后,我们进行应用部署和测试。在将模型应用到实际场景之前,我们需要进行系统集成、性能测试和安全验证等步骤。一旦通过测试,我们就可以将应用部署到服务器、云平台或移动设备上,供用户使用。 总结来说,AI大模型应用开发实战需要我们明确目标和需求、准备数据、选择模型和算法、进行训练和优化,最后进行部署和测试。通过这些步骤,我们能够开发出高效、可靠的人工智能模型应用,为用户提供优质的服务。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

uncle_ll

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
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