LLM agent

最新推荐文章于 2025-05-26 16:38:55 发布

zclfe

最新推荐文章于 2025-05-26 16:38:55 发布

阅读量352

点赞数

文章标签：人工智能算法深度学习

本文链接：https://blog.csdn.net/weixin_43845649/article/details/133099063

版权

博客围绕大语言模型代理展开，探讨其崛起情况与潜在价值。大语言模型代理在信息技术领域有重要意义，涉及人工智能、算法等方面，对其研究有助于推动相关技术发展。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

The Rise and Potential of Large Language Model Based Agents: A Survey

在这里插入图片描述

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

zclfe

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

LLM Agent OS

AI智能涌现深度研究

05-24

500

LLM Agent OS 作者：禅与计算机程序设计艺术 1. 背景介绍 1.1 LLM 时代的新浪潮近年来，大型语言模型（LLM）的迅速发展彻底改变了人工智能领域。从 GPT-3 到 ChatGPT，LLM 展现出惊人的能

AGI之Agent：Agent(一种训练LLM模拟人类在现实世界中各种规则和行为系统)的简介(本质/原理/核心技术/优化改进/挑战/评估基准/类型/传统Agent与LLM Agent多维度对比等)、实

头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀

06-17

1521

Agent的实战部署应用LLMs之ChatGLM3：ChatGLM3/ChatGLM3-6B的简介(多阶段增强+多模态理解+AgentTuning技术)、安装和使用方法、案例应用(实现多轮对话能力(Chat)、工具调用能力(-CSDN博客LLMs之GLM-4：GLM-4的简介(全覆盖【对话版即ChatGLM4的+工具调用+多模态文生图】能力→Agent)、安装和使用方法、案例应用之详细攻略-CSDN博客2、部署框架T1、基于。

1 条评论您还未登录，请先登录后发表或查看评论

LLM Agent 制作 Agent 工具

02-23

工具的使用使大型语言模型（LLM）成为能够通过动态利用外部软件组件执行复杂多步骤任务的强大代理。然而，这些工具必须由人类开发者预先实现，这限制了 LLM 代理在需要大量高度专业化工具的领域（如生命科学和医学）中的应用。受到越来越多科学研究伴随公开代码库的趋势的启发，我们提出了 TOOLMAKER，这是一种新型的代理框架，可以自主地将带有代码的论文转换为 LLM 兼容的工具。给定一个简短的任务描述和一个仓库 URL，TOOLMAKER 可以自动安装所需的依赖项并生成执行任务的代码，使用闭环自我校正机制来迭代诊断和纠正错误。为了评估我们的方法，我们引入了一个基准测试，包含 15 个涵盖医学和非医学领域的多样化和复杂的计算任务，并有超过 100 个单元测试来客观评估工具的正确性和鲁棒性。TOOLMAKER 正确实现了 80% 的任务，显著优于当前最先进的软件工程代理。因此，TOOLMAKER 是迈向完全自主代理科学工作流程的一步。我们的代码和基准测试可在 https://github.com/KatherLab/ToolMaker 获取。

LLM Agent 概述

2301_76168381的博客

02-10

907

LLM Agent 是高级 AI 系统，旨在创建需要顺序推理的复杂文本。他们可以提前思考，记住过去的对话，并使用不同的工具根据所需的情况和风格调整他们的回答。现在，考虑一个详细的场景：根据新的数据隐私法，公司面临的常见法律挑战是什么，法院如何解决这些问题？这个问题比仅仅查找事实更深入。这是关于了解新规则，它们如何影响不同的公司，并了解法院对这一切的看法。一个简单的 RAG 系统可以提取相关的法律和案例，但它缺乏将这些法律与实际业务情况联系起来或深入分析法院判决的能力。

LLM Agent 智能体全网最全解读

2301_81940605的博客

11-19

1547

[论文笔记]AIOS: LLM Agent Operating System

日积月累，天道酬勤

06-07

2784

⭐ 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。

Agent未来已来？揭示LLM Agent技术架构与现实挑战

yanqianglifei的专栏

01-02

1102

最近，大型语言模型（LLM）Agent成为了企业自动化领域的热门话题。Anthropic、OpenAI和Microsoft等科技巨头都在积极布局，预示着一场自动化革命的到来。这些AI驱动的系统被认为能够自主规划、推理和交互，完成复杂的任务，听起来就像是“自动化一切”的美好愿景。但这种兴奋真的有道理吗？让我们深入探讨LLM Agent在实际生产环境中的架构、挑战和最佳实践。但这种兴奋有道理吗？仔细观察 LLMOps 数据库中的真实案例研究，就会发现一个更微妙的图景。

图解 LLM Agent，深入探索单代理和多代理的核心组件

2401_84204413的博客

03-25

973

要了解 LLM Agent 是什么，我们首先需要探讨 LLM 的基础能力。传统意义上，LLM 的核心功能只是进行下一个 token 的预测。通过连续采样多个 token，我们可以模拟对话，并利用 LLM 为我们的问题提供更详尽的答案。然而，当我们继续“对话”时，任何给定的 LLM 都会暴露其主要缺点之一：它无法记住对话内容！此外，LLM 在许多其他任务上也经常出错，比如基本的数学运算（如乘法和除法）：这是否意味着 LLM 很糟糕？当然不是！

【构建指南】如何打造通用LLM Agent：从基础到进阶的全面解析！

2401_85375151的博客

01-16

1088

LLM和智能体之间的主要区别在于系统提示。在LLM的背景下，系统提示是在模型处理用户查询之前提供给它的一组指令和上下文信息。大语言模型的智能体行为可以在系统提示中进行编码。工具使用：智能体决定何时将查询路由到适当的工具或依赖自身知识。反思：智能体在回答用户之前审查并纠正自己的答案。大多数大语言模型系统也可以添加反思步骤。推理 - 行动（ReAct）：智能体迭代地推理如何解决查询，执行一个动作，观察结果，并决定是否采取另一个动作或提供响应。计划 - 执行。

LLM Agent

and的博客

02-01

603

大模型 Agent 是构建在大型语言模型（LLM）之上的智能体，它具有模拟人类独立思考的能力，能够灵活调用各类工具，以逐步实现预设的目标。

LLM Agent全攻略：从概念到实践的全面解析！

2401_84204207的博客

02-22

1055

Agent : 一文读懂LLM Agent架构，详解Profile，Memory，Planning，Action模块作用

强化学习曾小健

11-05

9722

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是如何处理超长上下文的

kakaZhui的博客

04-11

176

LLM Agent，这些由大型语言模型驱动、能够自主规划、使用工具并与环境交互的智能体，正以惊人的速度发展。它们能够执行复杂的任务，如deep research、code completion、甚至多模态内容创作。上下文窗口（Context Window）的限制。标准的 Transformer 模型只能处理固定长度的输入序列。早期的重要对话或关键观察结果被“遗忘”，导致后续决策缺乏依据。即使使用了如 RoPE 插值等外推技术，在远超训练长度的上下文上，模型的注意力机制和连贯性也可能下降。

阿里开源 CosyVoice2：打造 TTS 文本转语音实战应用

蜗牛的博客

05-23

1460

阿里通义实验室推出的音频基座大模型 FunAudioLLM 包含 SenseVoice 和 CosyVoice 两大模型。CosyVoice 2.0 在多语言支持、超低延迟、高精度、强稳定性和自然体验方面均有显著提升。它支持中文、英文、日文、韩文及多种中文方言，并实现了跨语言和混合语言的语音克隆。CosyVoice 2.0 集成了离线和流式建模技术，首包合成延迟低至150毫秒，发音错误率减少了30%到50%，并在基准测试中达到了最低字符错误率。

YOLO12改进-Backbone-引入Swin Transformer替换backbone

qq_64693987的博客

05-23

1236

在计算机视觉领域，卷积神经网络（CNNs）和Transformer架构分别在不同任务中取得了显著成功。受Transformer在自然语言处理中的启发，研究人员将其应用于视觉任务，但面临计算复杂度高等挑战。SwinTransformer通过引入滑动窗口机制和层次化设计，有效降低了计算复杂度，同时保持了Transformer的建模能力。改进后的SwinTransformer结合了移位窗口自注意力和相对位置偏差，进一步提升了模型性能。此外，SwinTransformer与YOLOv12的结合，通过层次化特征图和移

Prompt Tuning：优化提示调优全攻略

最新发布

ZJQ的博客

05-26

176

Prompt Tuning（提示调优）是一种通过优化提示词来调整预训练语言模型行为的技术。主要变体包括：Prefix Tuning（添加可训练前缀向量）、Hard-Prompt Tuning（直接使用自然语言提示）、Soft-Prompt Tuning（学习通用提示向量）、Prompt Ensemble（多提示集成）和Auto-Prompt（自动搜索最优提示）。其中Hard-Prompt Tuning最为直观，可通过自然语言指令（如"这段文字的情感是积极的"）引导模型输出。代码示例展示了

一、OpenCV的基本操作

qq_48904748的博客

05-23

409

OpenCV是一个功能强大的计算机视觉库，包含多个模块，如图像处理、视频分析、机器学习等。基础操作包括图像的IO操作、绘制几何图形、获取和修改像素点、获取图像属性、图像通道的拆分与合并以及色彩空间的转换。此外，OpenCV还支持图像的算术操作，如图像的加法和混合，这些操作可以用于图像增强和合成。通过这些功能，OpenCV能够处理各种图像处理任务，为计算机视觉应用提供强大的支持。

React笔记-Ant Design X样本间对接智谱AI

IT1995的博客

05-26

435

本文介绍了如何将AntDesignX样本间对接智谱AI的API接口。主要步骤包括：1）搭建AntDesignX样本间；2）获取智谱AI的API接入信息；3）修改代码中的请求配置，设置基础URL、API密钥和模型参数；4）调整请求处理逻辑，实现流式响应处理和数据拼接。关键点在于正确配置请求参数和实现流式数据的实时更新，最终完成与智谱AI的对接。

NoteGen 如何使用 AI 进行记录

github_35432979的博客

05-26

266

切换到 AI 整理模式：在对话框右下角切换为“整理模式”，AI 会分析所有记录（如一周内的内容），生成一篇结构化的 Markdown 笔记。这适合视觉化记录，如照片或图表。NoteGen 的记录页面是 AI 记录的起点，它支持多种方式（如截图、插图、文件、文本和链接），并由 AI 助手增强效率。提示：在记录过程中，AI 助手会自动检测剪贴板内容（如文本或图片），并在 5 秒内提示你记录，极大提高了效率。文件记录：选择本地文件（如 TXT 或 PDF），AI 会将其转换为文本形式记录，支持快速提取内容。

llm agent下载

02-23

### 下载 LLM Agent 工具或软件对于希望下载和安装 LLM Agent 或相关工具的开发者来说，有几个流行的选择可以帮助简化这个过程。以下是针对不同需求的具体指导： #### 使用 LangChain 框架 LangChain 是一种流行的用于构建基于对话的应用程序的框架，它能够显著简化 LLM Agent 的创建过程[^1]。为了安装 LangChain，可以在命令行环境中执行如下 Python 包管理器 pip 命令： ```bash pip install langchain ``` 这将自动处理依赖关系并将必要的库文件下载到本地环境。 #### 利用 AutoGen 多代理会话框架 AutoGen 提供了一个强大的多代理会话框架以及一系列的工作流系统，适用于各种应用场景下的 LLM 开发者[^2]。可以通过 GitHub 获取最新版本的源码，并按照官方文档中的说明完成设置： ```bash git clone https://github.com/microsoft/autogen.git cd autogen pip install . ``` 上述指令不仅克隆仓库还完成了包的本地化安装。 #### 考虑开源社区贡献项目除了商业产品外，还有许多由活跃社区维护和支持的开源选项可供选择。这些平台通常具有较低的学习曲线和技术门槛，适合初学者探索和发展技能。例如，可以从 Hugging Face Model Hub 中找到预训练好的 LLMs 及其对应的 SDK 来快速上手实践[^4]: [Hugging Face Models](https://huggingface.co/models) 通过这种方式可以直接加载模型而无需自行训练，极大地降低了入门难度。