智能体(Agent)与工作流(Workflow)

最新推荐文章于 2025-03-10 11:01:44 发布

心碎小猫p

最新推荐文章于 2025-03-10 11:01:44 发布

阅读量1.4w

点赞数 66

文章标签：人工智能

本文链接：https://blog.csdn.net/weixin_58811620/article/details/143617084

版权

一. 智能体(Agent):

1. 什么是智能体(Agent):

智能体（Agent）是我们运用大模型时所采纳的一种理念与实践方式，OpenAI应用研究主管翁丽莲(Lilian Weng)在其博客文章 LLM Powered Autonomous Agents 中，对 Agents 进行了定义: LLM + memory + planning skills + tool use，即大语言模型、记忆、任务规划、工具使用的集合。

2. 智能体(Agent)工作流程：

在构建一个高效且智能的 Agent 时，大型语言模型（LLM, Large Language Model）扮演着核心“大脑”的角色。

工作流程概述:

当大模型在遇见复杂问题的时候不要直接处理，先对任务进行一个规划（Planning），即对任务进行拆解，选择各个任务所需工具（Tool），再利用历史对话信息（Memory），最后执行。

三种关键能力概述:

planning skills: 将复杂问题拆解成可操作的步骤，规划出解决问题的有效路径。

tool use: 根据需要选择合适的工具，并生成正确的工具调用请求。

memory: 短期记忆，用于记住工具返回的结果和已完成的任务步骤；以及长期记忆，用来储存可以访问的知识库等外部信息资源。

3. 智能体(Agent)实践:

构建智能体(Agent)有很多平台，我们以扣子平台为例：

在此处与扣子助手对话，即可生成一个 Agent 模板。

根据上面的提示，最重要的就是选择自己模型所需要的功能，添加所需的插件，即可发布自己的 Agent 啦。

二. 工作流(Workflow):

1. 什么是工作流(Workflow):

工作流（Workflow）是一种描述业务过程的方法，它将工作流程中的各个步骤和规则抽象化，并通过计算机技术来实现这些流程的自动化。

2. 工作流(Workflow)工作流程：

我们上述看到的智能体（Agent）很简单，随着大模型的发展，复杂的工作任务无法通过单次 LLM 调用来解决。为了解决这个问题，专家如吴恩达（Andrew Ng）、伊塔马尔·弗里德曼（Itamar Friedman）和哈里森·蔡斯（Harrison Chase）等人引入了“工作流”（Workflow）和“流程工程”（Flow Engineering）的概念，利用多次且分阶段的LLM交互以及持续的反馈循环来处理复杂任务，从而达到更好的性能和结果。

工作流(Workflow)和智能体(Agent)的区别:

工作流(Workflow)和智能体(Agent)很像，但他俩的区别在于，工作流的任务需要我们人为的拆解，智能体(Agent)是靠大模型动态进行拆解。

3. 智能体(Agent)实践:

我们以扣子平台为例：

此处我们创建一个情感分析工作流：

工作流名称：sentiment_classify

工作流描述：Useful for when you want to classify the sentiment of a context

工作流节点组成：开始节点，大模型节点，结束节点

1). 开始节点：

2). 大模型节点：

提示词：

DEFINE ROLE AS "NLP专家":
    知识领域 = ["语言学", "互联网", "人工智能"]
    技能 = ["自然语言理解", "信息提取", "情感分析", "意图识别", "知识推理", "上下文关联学习", "实体识别"]
    经验 = "资深"
    任务 = "对文本进行情感分类，将其分类至对应的情感类别"

# 定义情感类别
sentiment_category_infos = [
    {"category": "积极", "description": "文本内容表达正面情绪或态度，如快乐、满意、希望等。通常包含赞扬、鼓励或对未来的乐观预期等内容。"},
    {"category": "消极", "description": "文本内容体现负面情绪或态度，如悲伤、愤怒、失望等。通常反映批评、不满或对现状或未来的悲观看法等内容。"},
    {"category": "中性", "description": "文本内容既不表达明显的正面情绪，也不体现明显的负面情绪。通常包含客观陈述、信息传递或对事物的中立评价等内容。"}
]

# 判断文本表达的情感是否符合给定的情感类别描述
def match_description(context, description):
    """
    Step1: 一步步思考，仔细分析并理解${context}的特征和含义，判断是否和${description}的描述一致。
    Step2: 给出你判断的思考路径${thought}，在思考路径下给出你将${context}分类为${category}的理由。
    Step3：根据你Step1的判断结果和Step2的分类理由，给出此次分类的置信度${confidence}，置信度的取值范围为：0 <= confidence <= 1。
    """
    return confidence

# 根据文本表达的情感分类，并返回对应的情感类别
def classify(context, sentiment_category_infos):
    # 初始化最高置信度
    max_confidence = 0

    # 遍历所有的类别及其描述
    for sentiment_category_info in sentiment_category_infos:
        # 获取当前类别的置信度
        confidence = match_description(context, sentiment_category_info["description"])

        # 如果当前置信度高于之前的最高置信度，更新分类结果
        if confidence > max_confidence:
            max_confidence = confidence
            category = sentiment_category_info["category"]

    return {"classify_result": category}

MAIN PROCESS:
    # 初始化文本变量，作为输入数据
    context = 读取("""{{input}}""")

    # 执行分类任务，输出分类结果
    classify(context, sentiment_category_infos)

执行工作流程，严格按照json格式输出MAIN PROCESS的分类结果，禁止附加任何的解释和文字描述：

3). 结束节点：

4). 试运行：

测试数据：

测试数据1：
这款产品真是太棒了！👍从外观设计到使用体验，都让我非常满意。😍细节之处体现了厂家的用心，使用起来非常便捷，大大提高了我的工作效率。🚀售后服务也非常到位，遇到问题时，客服人员耐心解答，让我感受到了贴心的关怀。🌟总之，这是一次非常愉快的购物体验，强烈推荐给大家！👏继续保持，期待更多优质产品！🎉
测试数据1结果：
{"classify_result":"积极"}

测试数据2：
这次的旅行体验实在让我感到失望。🙁首先，行程安排得非常不合理，几乎每天都在赶路，没有足够的时间去好好欣赏景点，更别提休息了。🚗住宿条件也远低于预期，房间不仅小而且卫生状况令人担忧。🛏️导游的态度也让人不敢恭维，讲解敷衍了事，对于我们的问题也是爱理不理。🙉餐饮方面更是让人失望，所谓的特色菜肴不仅口味一般，卫生状况也让人担忧。🍽️整个旅行过程中，我感觉像是被赶鸭子一样，完全没有享受到旅游的乐趣。🥱总之，这次旅行体验非常差，我不会推荐给我的朋友，希望旅行社能够改进服务，以免让更多的游客失望。📉
测试数据2结果：
{"classify_result":"消极"}

测试数据3：
我今天吃了饭。
测试数据3结果：
{"classify_result":"中性"}