第六节课《Lagent & AgentLego 智能体应用搭建》学习笔记

本文链接：https://blog.csdn.net/weixin_59512778/article/details/138440692

本次课程由樊奇主讲。

首先了解为什么要有智能体？

随着大语言模型的发展，我们逐渐发现即使是GPT-4这样的大语言模型，在某些场景下也不能满足实际需求，有着诸多的局限性如：产生幻觉（模型可能生成虚假信息，其内容与现实严重不符或脱节）、缺乏时效性（模型训练数据过时，无法反映最新的趋势和信息）、缺乏可靠性（面对复杂任务时，可能频发错误输出现象，影响信任度）。因此，基于大语言模型的智能体应运而生。

什么是智能体？

一个智能体应满足以下三个条件：可以感知环境中的动态条件，能采取动作影响环境，能运用推理能力理解信息、解决问题、产生推断、决定动作。

智能体的组成：

大脑（作为控制器，承担记忆、思考和决策任务。接受来自感知模块的信息，并采取相应动作。）、感知（对外部环境的多模态信息进行感知处理。包括但不限于图像、音频、视频、传感器等。）、动作（利用并执行工具以影响环境。工具可能包括文本的检索、调用相关API、操作机械臂等。）

智能体的范式：

经典的智能体范式包括AutoGPT、ReWoo和ReAct。

AutoGPT的流程：

用户将目标和任务输入给整个系统后，任务的列表将会将任务发送给相对应的智能体，智能体在执行后，会将相关的结果以及任务存入到存记忆当中，并且把相关的结果发送给另外一个智能体，由这个智能体再创建出新的任务，由此循环直至最终完成任务。

ReWoo的流程：

ReWoo将用户的输入做拆分，将各种工具之间的依赖形成一个有向无环图，并且在图中进行计划执行，直到达到最终的结果。由来自ReWoo论文中的图可以了解到:Planner作为一个决策，它将输入拆分成了多步，其中的每一步都对应着相应的任务，然后将其中需要执行的部分发送给Worker进行执行，最终两部分的结果一并发送给Solver得到最终的结果。

ReAct的流程：

接收用户输入后，会选择相对应的工具进行执行，在拿到工具的结束条件后，模型会进一步思考它是否应该选择下一个工具并执行，直到达到结束条件及完成用户的输入为止。由来自ReAct论文中的图可以了解到:ReAct结合了推理与行为两部分，更好地实现了智能体的思维模式。

关于Lagent和AgentLego：

Lagent是一个轻量级开源智能体框架，旨在让用户可以高效地构建基于大语言模型的智能体。它支持多种智能体范式，如上述提到的AutoGPT、ReAct、ReWoo等。它也支持谷歌搜索、Python解释器等多种工具。Lagent的基本流程图如下，可以了解到它的大语言模型板块可以接收到来自人类的反馈、人类指令以及外部观察等，会在做出相应的规划和行动后交付到动作执行器中。而动作执行器包括各种动作，如Python的解释器和搜索等等。

AgentLego是一个多模态的工具包，旨在像乐高积木那样，可以快速简便地拓展自定义工具，从而组装出自己的智能体。它支持Lagent、LangChain、Transformers Agents等多个智能体框架。提供大量视觉、多模态领域前沿算法。

Lagent和AgentLego的关系：

用户将输入内容输入到大语言模型时，大语言模型会根据自身进行判断其是否需要调动工具。如果不需要调动工具则直接进行输出。如果需要调动工具则会进入Lagent的相应逻辑当中，它首先会调用工具，而工具会选择去找到工具的那些功能支持，而一部分的多模态的相关工具的功能支持就在AgentLego算法库中有相应的实现。在得到工具的输出后，模型再经过后处理就变成了智能体的输出。