大模型的训练与应用 | 十一、LLM-based Agent（基于大型语言模型的代理）的核心架构_人工智能

LLM-based Agent 核心架构

一、画像模块（Persona Module）

画像模块是定义Agent的“个性”和“身份”的部分，它决定了Agent如何与用户交流和互动。

  • 人口统计信息：包括用户的基本信息，如年龄、性别、教育背景等，这有助于Agent适应不同用户群体。
  • 个性信息：涉及用户的性格特征，如乐观、悲观、幽默等，Agent可以根据这些特征调整其交流风格。
  • 社交信息：包括用户的社交偏好和行为模式，帮助Agent在社交互动中更加自然。

生成策略决定了如何创建和使用这些画像：

  • 手工设计方法：适用于定制化需求，开发者可以直接编写特定的用户画像，适用于Agent数量有限的情况。
  • 大模型生成方法：通过提供一些基础示例，让大型语言模型生成多样化的用户画像，适用于需要大量个性化Agent的场景。
  • 数据对齐方法：使用现有的用户数据集来生成画像，确保Agent的画像与实际数据一致。

二、记忆模块（Memory Module）

记忆模块负责存储和处理Agent的经历和知识，是其做出决策的基础。

  • 统一记忆：只考虑短期记忆，适用于需要快速响应的场景。
  • 混合记忆：结合长期和短期记忆，使Agent能够在长期任务中保持连贯性。

记忆形式包括：

  • 语言：以自然语言形式存储信息，便于理解和交流。
  • 数据库：结构化存储，便于查询和分析。
  • 向量表示：使用数学向量存储信息，适用于机器学习模型。
  • 列表：简单的数据项序列，易于管理和访问。

记忆操作涉及：

  • 记忆读取：从记忆库中检索信息。
  • 记忆写入：记录新的体验或学习到的知识。
  • 记忆反思：对已有记忆进行分析，以改进未来的决策。

三、规划模块（Planning Module）

规划模块是Agent的决策中心，负责制定实现目标的策略。

（1）无需反馈的规划：Agent可以在没有外部反馈的情况下进行推理，例如通过内部逻辑或预设的规则。

  • 基于单路的推理：直接生成一个推理路径。
  • 基于多路的推理：生成多个推理路径，然后选择最佳方案。
  • 借用外部规划器：使用专门的规划工具来辅助决策。

（2）带有反馈的规划：Agent需要根据外部环境的反馈来调整其规划，反馈可以来自：

  • 环境反馈：Agent根据环境变化做出响应。
  • 人类反馈：用户的输入和指导。
  • 模型反馈：Agent根据自己模型的输出进行自我调整。

四、动作模块（Action Module）

动作模块是Agent执行具体动作的部分，直接影响任务的完成。

  • 动作目标：定义Agent执行动作的目的，如完成任务、进行交流或探索环境。
  • 动作生成：根据记忆、规划或实时输入生成动作。
  • 动作空间：定义Agent可以执行的所有可能动作，可以是具体的工具操作或基于知识的决策。
  • 动作影响：考虑动作对环境、Agent内部状态以及未来动作计划的影响。

总结： LLM-based Agent的架构设计使其能够模拟人类的思考和行为方式。通过画像模块定义个性，记忆模块提供经验基础，规划模块进行决策，以及动作模块执行任务，整个系统能够以高度自适应和智能化的方式运作。这种架构不仅提高了Agent的交互质量，也增强了其在复杂环境中的执行能力。