本文总结了作者在盒马智能客服的落地场景下的一些思考,从工程的角度阐述对Agent应用重要的稳定性因素和一些解法。
一、背景
随着大模型技术的发展,越来越多的大模型应用开始涌现,并且应用到越来越多的业务场景中,比如AIGC生图、小蜜机器人、客服机器人、自动文档处理等等;并且Agent的planning能力使得基于大模型的底座,AI应用可以处理越来越高级的事情。
但是随着大模型的广泛应用,在面对各种复杂的场景时,其稳定问题也变得凸显,比如Agent的回答幻觉问题、知识语料训练质量问题、工程重试和异常处理问题,都对Agent的稳定性有影响;当然基座的能力也至关重要,但是本人从工程的角度来阐述同样对Agent应用重要的稳定性因素和一些解法。
本人目前在参与盒马AI智能应用的项目中,包括智能小蜜机器人、智能客服、AIGC等项目,本文也是在盒马智能客服的落地场景下的一些思考。
二、Agent的简单介绍
AI Agent,即人工智能代理,是一种能够感知环境、做出决策并执行操作的智能实体。与传统的人工智能不同,AI Agent 具备自行思考并使用工具逐步实现目标的能力。举例来说,如果你告诉 AI Agent 代理的退款系统进行退款办理,它可以通过意图确认(退款哪个商品、退款原因、退款是否和比例判断)和用户进行交互,并自动调用退款系统进行退款,无需人工指定每个步骤。
其中关键模块:
prompt:提示词;
Chain: 将多个任务或操作按照一定的顺序组合起来,以实现特定目标的方法;
LLM:大模型基座;
Tools: Tool的参数定义、描述定义和逻辑实现;
Actions: Agent Planning下一步做的事情;
三、Agent面临的稳定性问题
首先从业务场景来看,本人以客服机器人这个典型应用场景为例:
业务背景:电商;
知识结构:知识库(QA形式维护,且有相似问);
用户群体:售前咨询/下单顾客;
Agent功能:作为人工客服回答用户问题;
3.1. 幻觉问题
3.1.1 原因
幻觉问题在LLM(大型语言模型)应用开发中是一个常见的问题。幻觉指的是模型在生成文本时产生的错误信息、无根据的断言或不真实的内容。这些内容虽然可能看起来表面上合乎逻辑和流畅,但它们并不基于事实或现实的数据。其原因包括:
1.数据训练不足或质量不高:模型可能基于有限或不准确的数据进行训练,导致其生成的内容缺乏真实依据;
2.模型复杂性:复杂的模型可能更容易产生不合理的联想和推断;
3.语言和语义的复杂性:自然语言本身具有模糊性和多义性,这可能导致模型产生误解。
3.1.2 RAG增强
-
通过基于知识召回的RAG,初步解决80%的幻觉问题;
-
通过prompt提示,在RAG也没相关的情况下,给出没知识不要硬达或者乱达的提示,缓解幻觉问题;
-
语料训练,通过算法的微调让模型学习真实的正确小二回答数据;
说明:不同业务场景对于RAG的要求有区别,像内外小蜜等小蜜系列,关于RAG非常深的研究,包括检索、生成等,小蜜场景更多是一问一答,对于RAG的知识质量要求非常高;而在Agent的场景中,Agent重点是planning能力和Tool精准调用的,但是RAG仍然是Agent重要的模块,是Agent稳定性的保障。
3.1.3 Memory补充
对于业务场景,很多时候用户本身的信息,决定了回答的准确度。
比如一个简单的case:
user: 我的XX卡折扣是多少?``aiAssistant: ?
知识库中的信息假设是:
Query: 我的XX卡能打几折?
(相似问:XX卡的折扣是多少?XX卡怎么打折的…)
Answer: 对于初级会员打5折,对于高级会员打6折,对于XX会员打XX折;
那么当没有用户身份的时候,进入大模型的回答,基于RAG成功召回的case,大概率会是对于Answer的改写。
user: 我的XX卡折扣是多少?``aiAssistant: 您好,我们的会员卡对于不同会员折扣不同,初级会员是5折,.....
少数情况会直接吐出一个折扣或者反问;直接吐出的情况就有概率错误;反问的话,其实逻辑上没问题,但是对于可以直接获取的信息,其实增加了Agent对话的复杂度,不够智能。
优化:
1.将memory信息代入用户的prompt,构建对于业务有判断作用的信息,包括用户信息、订单信息(咨询主体)、店铺信息,用于帮助RAG发挥更大的效果,比如用户是高级会员的信息代入memory并进入prompt,最后的效果就是如下:
user: 我的XX卡折扣是多少?``aiAssistant: 您好,您是尊贵的高级会员,XX卡可以享受6折的折扣优惠;
2.其中某些对象可能会随着用户的咨询而更新,比如用户的咨询主体,要保证memory有每轮次ReAct前更新的操作。
3.1.4 工程优化
1.query重写辅助RAG更好的召回
进行query重写,补全语句缺失实体,或者错误语义改写一下,提升RAG召回的成功率;技术方案也是走LLM的;比如:
user: 我买了个糕点吃不完了``aiAssistant: 您好,您是买的哪一款糕点,有什么问题呢?``user: 保质期多久呢
改写之后:
user: 我买了个糕点吃不完了``aiAssistant: 您好,您是买的哪一款糕点,有什么问题呢?``user: 糕点的保质期有多久呢?
2.知识的脏数据和及时性问题
这是比较棘手的问题,知识库中有一些过时的数据,但是其关键字又很像,结果被embedding召回回来产生了干扰,RAG的质量,还是较强的依赖源头本身知识的质量;需要业务配合进行正确维护和管理。
3.2. 语料质量问题
核心:尽可能获得高质量的线上业务数据,用于微调。
3.2.1. 问题
在电商领域为例,现阶段的核心数据是语料,但是其中包含大量的卡片,大模型对于卡片的理解能力偏弱。
3.2.2 解法思路:语言化
因为LLM的语料以自然语言为主,但是在客服、小蜜等大量的语料场景中,卡片非常多。
比如类似这种:
那么在语料中,可能就是(随意以JSON举个例子,实际要复杂):
user: 我买的苹果保质期多久``aiAssistant:"{\n"` `+ " \"type\": orderSelector,\n"` `+ " \"width\": 5,\n"` `+ " \"height\": 3,\n"` `+ " \"orderId\": 12345,\n"` `+ " \"showXXX\": false,\n"` `+ " \"title\": \"请问是。。。。。\",\n"` `+ " \"itemName\": \"\",\n"` `+ " ....\n"` `+ "}"``user: "{\n"` `+ " \"type\": \"XX\",\n"` `+ " \"isSelect\": true,\n"` `+ " \"content\": \"orderId: XXXX\",\n"` `+ " \"content\": \"orderName: XXXX\",\n"` `+ " ....\n"` `+ "}"
那么这样的语料灌进LLM推测或者训练,对于大模型就很吃力了。
那么"化个妆"呢,我们再看一下这样的:
user: 我买的苹果保质期多久``aiAssistant:请问您是要确认XX时间买的XX元的XX商品订单吗?(目前这个订单状态是XX)``user: 是的,我就是确认这个XX商品订单的问题
好了,这时候大模型不用去管无聊的JSON结构和Id这种字段了。
并且可以通过拼接直接实现,可以对整个电商的所有卡片,基于type格式,在Agent运转层/语料层进行重写;大大提升电商卡片场景的理解程度。
总结一下优点:
-
可以基于占位符做快速的生成(较好的做法是为卡片加一个大模型属性,可以生成其toPromptString()的结果);
-
减少token,LLM调用速度加快;
-
大模型理解文本,回答的效果变好;
3.2.3 需要优质的打标体系
-
需要标注同学的精准打标;
-
支持小二(AI托管后 1VN 模式的监管员)自主托管阶段对于异常点的判断打标,尤其是有些bad case,小二业务的直觉是更有经验和指导意义的,每次的bad case解决都是稳定性逐步提升的台阶;
3.3. 工程稳定性
由于agent并不是永远稳定,其输出的内容和格式存在一定的随机性,对于ReAct模式,可能会有陷入循环的问题,导致Agent智能体不响应;其次Agent可能会遇到较多的异常case,其表现可能是未知的,所以需要对于Agent框架进行异常的处理和兜底;一个简单的Agent运转抽象如下:
3.3.1 控制循环轮数
首先,Agent的rethink模式,决定了一些异常case下大模型是可能陷入循环问题(比如成功调用Tool输出,但是没有相关数据,Agent可能会一直调用)。
-
通过限制轮数/设定时间上限上限解决死循环问题;
-
prompt中说明同一个Tool,一轮ReAct两次调用仍未拿到结果时,不再重复调用该Tool(因为这种情况大概率是接口成功,但是数据字段缺失)避免这种常见的陷入循环case。
3.3.2 Agent异常时如何合理的尝试?
对象包括组装prompt、LLM调用、输出解析、Tool调用,这边Agent建议按照特点决定是否重试某些模块。
定义重试异常类型:
-
RPC/HSF调用失败(认为HSF的超时是偶发波动,毕竟1-3s的HSF出现是低概率情况,从HSF自身治理解决);
-
1s以内的Http服务调用失败;
定义非重试异常类型:
-
重试代价高的(超过1s的);
-
有幂等性的Tool;
-
其他handle不了的异常;
重试的主体有哪些?
-
Agent-LLM调用超时重试否?
-
不重试,抛异常,加监控,观察LLM基模稳定性;
-
Tool调用异常重试否?
-
使用LLM的Tool客服场景不重试,这里为了功能的丰富性,有的Tool背后不是RPC而是LLM;(考虑用户体验问题,LLM每次的调用都是秒级的,不断重试,会让时间到十几秒甚至20s;ps: 目标10s以内回复);
-
其他场景,比如使用RPC的Tool调用,都是可以使用重试框架的;
-
prompt组装模块是否重试;
-
prompt的RAG模块目前是LLM接入,暂不重试;
那么有些异常不重试的情况怎么办呢?
3.3.3 代替人的Agent 的兜底------人工托管
重要场景下的AI应用一定是要有人工托管的,从copilot模式像AI托管模式迈进,这是渐进的必要灰度保障和最后兜底;就像武汉的萝卜快跑背后是有人工监管的,在重要的情况完成接管。
在电商客服Agent场景也是,在无法解决的场景和异常时,Agent通过返回接管信号,让背后的小二进入接管AI,恢复人工对话模式。
Agent主动要求人工介入的时机:
-
异常情况,比如非handle异常,需要人工介入,和用户继续聊天;
-
未覆盖情况;
-
业务场景未覆盖,那么需要人工处理;实操上,大模型识别用户意图但是没法处理到之后,不是抛出异常,而是抽象为一个统一的转人工工具,由人工进行接管;
-
多模态基座未接入,那么对于用户发图片、视频和语言就需要人进来处理;
总之,人工托管的兜底,给了Agent应用可以先灰度上线积攒宝贵经验的可能,再通过扩大Agent基座能力和业务场景,逐步完善Agent能力。
3.3.4 Agent输出格式的兼容
和孔乙己回字的N种写法一样,在实际很多Agent中,期望大模型的回复是一个JSON的String格式,实际的格式还是会在单模型中有随机性,并且在不同模型的回复中有明显的差异性;适配变得很重要。
比如一个两级JSON实际返回的结果有四种情况:
`"Tools": {` `"api_name": "XXTool",` `"parameters": [` `{` `"name": "xxId",` `"value": "12345"` `}` `]` `}`
"Tools": [{` `"api_name": "XXTool",` `"parameters": [` `{` `"name": "xxId",` `"value": "12345"` `}` `]` `}]
"Tools": [{` `"api_name": "XXTool",` `"parameters":` `{` `"name": "xxId",` `"value": "12345"` `}` `}]
"Tools": {` `"api_name": "XXTool",` `"parameters":` `{` `"name": "xxId",` `"value": "12345"` `}` `}
-
JSON兼容那么对于LLM输出,一开始头疼的就是,为了Agent功能的强大,其实LLM本身是多个JSON结构嵌套,但是JSONObject和JSONArray;这边就是在工程侧进行了兼容;
-
异常LLM输出的拯救:比如JSON格式基本都对了,但是来个中文的引号,就又不行了,所以对于有些细碎的场景,做了补丁,尽可能把bad case解决;异常处理的实现细节:
1.构建清晰和典型的few-shot,在prompt中给出示例;
2.实现一个异常处理链路,比如先做剔除前后空字符的直接JSON解析,再进行中文冒号的异常case替换尝试解析,再进行花括号缺失情况的异常case匹配(补充花括号);那么所有链式节点尝试都失败了,那就报错;(链太长时也可以考虑并发一下)
3.如果还是不稳定。尝试降低 temprature 参数的值让结果更稳定。
最近业界进展:
OpenAI近日在其API引入了结构化输出,这应该会缓解JSON解析的问题,待更新和跟进验证其效果。
四、监控
首先从监控的视角,一个系统,无非是很多点连成的线,对于每个点的监控以及端到端的监控,是常见的思路;目前这里先focus在重要节点的监控,其维度如下:
4. 1 LLM维度的监控
4.2 Tool调用监控
这里有的Tool耗时慢,因为背后是大模型的服务。
4.3 RAG监控
核心的目标,就是监控大模型的调用情况,Tool的调用情况,目前先用Sunfire做一版简单的版本。
一键部署通义千问对话模型
本方案结合通义千问和LangChain技术构建高效的对话模型,该模型基于自然语言处理技术提升语义理解和用户交互体验。它可以有效解决传统对话模型在理解能力和交互效果上的局限,使得用户沟通更加自然流畅,被广泛应用于聊天机器人、智能客服和社交媒体等多种场景。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。