【AI大模型】Agent规划大揭秘!这才是真正的planning

AI Agent 的工作流程框架 AI Agent核心工作流程可概括为"感知-决策-执行-反馈"闭环。系统首先通过规划模块(Planning)利用大模型(LLM)拆解任务目标,制定执行计划;然后由行动模块(Action)调用外部工具完成任务;再通过观测模块(Observation)整合多源信息反馈给LLM进行迭代判断;最终输出满足要求的解决方案。该框架体现了AI Agent的自主性特点,通过"大模型+工具链+反馈闭环"的组合,实现复杂任务的智能处理,如旅行攻略制定等实际场景应用。 阅读详情

planning

agent 的核心是负责解决用户所提出的任务。这个任务由目标和约束条件定义。

例如,一个任务是安排一次从上海到北京为期两周的旅行,预算为 5000。 目标是为期两周的旅行,约束条件是预算。

复杂的任务需要规划。规划过程的输出是一个计划,它是一份概述完成任务所需步骤的路线图。有效的规划通常要求模型理解任务,考虑实现该任务的不同选项,并选择最有希望的一个。

planning概述

给定一个任务,有很多种可能的解决方法,但不是所有方法都能成功。在正确的方案中,有些比其他方案更高效。考虑这个查询:“有多少没有收入的公司至少融了 10 个亿?”,以及两个可能的解决方案:

  1. 先找出所有没有收入的公司,然后按照融资金额筛选。

  2. 先找出所有至少融资了 10 个亿的公司,然后按照收入筛选。

第二种方案效率更高。没有收入的公司数量远远多于筹集了 10 个亿的公司数量。如果只有这两个选项,一个智能 agent 应该选择方案 2。

你可以将规划和执行放在同一个prompt中。例如,你给模型一个prompt,要求它逐步思考(例如使用思维链提示),然后在同一个提示中执行这些步骤。但如果模型给出了一个 1000 步的计划,结果连目标都实现不了怎么办?在没有监督的情况下,一个 agent 可以跑这些步骤几个小时,浪费时间和 API 调用费用,直到你发现它根本毫无进展。

为了避免这种徒劳的执行,规划应该与执行解耦。

你先要求 agent 生成一个计划,只有在验证该计划之后才执行它。计划可以用一些启发式方法验证。例如,一个简单的启发式方法是排除包含无效操作的计划。如果生成的计划需要 Google 搜索,而 agent 没有访问 Google 搜索的权限,那么这个计划就是无效的。另一个简单的启发式方法是排除所有超过 X 步的计划。

计划也可以使用 AI 评判来验证。你可以让一个模型来评估计划是否合理,或者如何改进它。

如果生成的计划被评估为不佳,你可以要求规划器生成另一个计划。如果生成的计划良好,则执行它。

如果计划中涉及到外部工具,就会调用函数调用。执行该计划的输出结果也需要再次评估。请注意,生成的计划不必是整个任务的端到端计划,它可以只是针对某个子任务的小计划。整个过程如下图所示。

整个系统现在有三个组件:一个用于生成计划,一个用于验证计划,另一个用于执行计划。如果你把每个组件都看作是一个 agent,那么这就构成了一个多 agent 系统。由于大多数 agent 工作流程都足够复杂,需要多个组件,因此大多数 agent 都是多 agent 的。

为了加速这个过程,你可以并行生成多个计划,而不是按顺序生成,然后让评估器选择最有希望的一个。这是一种在延迟和成本之间的权衡,因为同时生成多个计划会带来额外的成本。

规划需要理解任务背后的意图:用户想通过这个查询做什么?意图分类器通常用来帮助 agent 规划。比如说,将复杂任务分解为更简单的子任务,意图分类可以使用另一个提示或一个为这个任务训练的分类模型来完成。意图分类机制可以看作是多 agent 系统中的另一个 agent。

了解意图可以帮助 agent 选择合适的工具。例如,对于客户支持,如果查询是关于查工资的,agent 可能需要访问一个工具来检索用户最近的工资条信息。但如果查询是关于如何重置密码的,agent 可能需要访问文档检索功能。

有些查询可能超出了 agent 的能力范围。意图分类器应该能够将请求分类为“不相关”,以便 agent 可以礼貌地拒绝这些请求,而不是浪费计算资源去尝试不可能的解决方案。

到目前为止,我们假设 agent 自动化了所有三个阶段:生成计划、验证计划和执行计划。实际上,人类可以在任何阶段参与进来,协助这个过程并降低风险。

人类专家可以提供计划、验证计划或执行部分计划。例如,对于 agent 难以生成完整计划的复杂任务,人类专家可以提供一个高层次的计划,然后让 agent 在此基础上进行扩展。 如果计划涉及到有风险的操作,例如更新数据库或合并代码更改,系统可以在执行前请求明确的人工批准,或者将这些操作交给人工执行。为了实现这一点,你需要清楚地定义 agent 在每个操作中可以拥有的自动化程度。

总而言之,解决一个任务通常涉及以下步骤。反思对于 agent 来说不是强制性的,但它可以显著提高 agent 的性能:

  1. 计划生成:提出完成该任务的计划。一个计划是一系列可管理的操作,因此这个过程也称为任务分解。

  2. 反思和错误纠正:评估生成的计划。如果这是一个不好的计划,则生成一个新计划。

  3. 执行:采取生成的计划中概述的操作。这通常涉及调用特定的函数。

  4. 反思和错误纠正:在收到操作结果后,评估这些结果并确定是否已完成目标。识别并纠正错误。如果目标未完成,则生成新计划。

当你要求模型“逐步思考”时,你实际上是在要求它分解任务。当你要求模型“验证你的答案是否正确”时,你实际上是在要求它进行反思。

大模型作为规划器

一个常见的问题是,大模型在规划方面的表现如何。许多研究人员认为,大模型,至少是那些建立在自回归语言模型之上的模型,无法进行规划。Meta 的首席 AI 科学家 Yann LeCun 明确表示,自回归 LLM 无法规划。

虽然有很多传闻证据表明 LLM 是做规划非常的糟糕,但尚不清楚这是否是因为我们不知道如何正确使用 LLM,还是因为 LLM 本质上就不能规划。

规划的核心是一个搜索问题。你在通向目标的不同路径中搜索,预测每条路径的结果(奖励),并选择结果最有希望的路径。有时,你可能会确定根本没有路径可以到达目标。

搜索通常需要回溯。例如,假设你处于一个步骤,其中有两个可能的动作:A 和 B。在执行动作 A 后,你进入了一个不理想的状态,因此你需要回溯到之前的状态以执行动作 B。

有些人认为,自回归模型只能生成前向动作,而不能回溯生成替代动作。因此,他们得出结论:自回归模型无法规划。但这不一定是真的。在执行完动作 A 的路径后,如果模型判断这条路径不合理,它可以修改路径,改为使用动作 B,从而实现回溯。模型也可以随时重新开始,选择另一条路径。

LLM 也可能因为没有获得规划所需的工具而成为糟糕的规划者。要进行规划,不仅需要知道可用的操作,还需要知道每个操作的潜在结果。举一个简单的例子,假设你想爬上一座山。你可能的动作是向右转、向左转、掉头或径直向前走。但是,如果向右转会导致你从悬崖上掉下去,你可能就不会考虑这个动作。用技术术语来说,一个动作会将你从一个状态带到另一个状态,你需要知道结果状态才能决定是否执行这个动作。

这意味着仅仅提示模型生成一系列操作(例如思维链)是不够的。“Reasoning with Language Model is Planning with World Model” 这篇论文认为,LLM 因为包含了大量关于世界的信息,因此能够预测每个动作的结果。这个 LLM 可以将这种结果预测纳入其中,从而生成连贯的计划。

即使 AI 不能规划,它仍然可以是规划器的一部分。有可能使用搜索工具和状态跟踪系统来增强 LLM,以帮助它进行规划。

关于RL Agent

Agent 是 RL 中的核心概念。根据维基百科的定义,RL 是一个“关注智能 agent 如何在动态环境中采取行动以最大化累积奖励”的领域。

RL agent 和 FM agent 在许多方面都很相似。它们的共同特点是它们的环境和可能的操作。主要区别在于它们的规划器的工作方式。

在 RL agent 中,规划器由 RL 算法训练。训练这个 RL 规划器可能需要大量的时间和资源。 在 FM agent 中,模型本身就是规划器。这个模型可以通过提示或微调来提高其规划能力,而且通常需要更少的时间和资源。

但是,没有什么能阻止 FM agent 采用 RL 算法来提高其性能。从长远来看,FM agent 和 RL agent 将会融合。

planning生成

将模型变成planning生成器的最简单方法是使用提示工程。假设你想创建一个 agent 来帮助客户了解 家用显卡 的产品。你为该 agent 提供对三个外部工具的访问权限:按价格检索产品、检索热门产品和检索产品信息。下面是一个用于计划生成的提示示例。此提示仅用于说明目的。实际的生产提示可能会更复杂。

system prompt:

提出一个解决任务的计划。你可以使用以下 5 个操作:

*   `get_today_date()`
*   `fetch_top_products(start_date, end_date, num_products)`
*   `fetch_product_info(product_name)`
*   `generate_query(task_history, tool_output)`
*   `generate_response(query)`

计划必须是一系列有效的操作。

**示例:**

**任务:** “告诉我关于 5090 的信息”
**计划:** `[fetch_product_info, generate_query, generate_response]`

**任务:** “上周最畅销的产品是什么?”
**计划:** `[fetch_top_products, generate_query, generate_response]`

**任务:** `{用户输入}`
**计划:**

关于这个例子,有两点需要注意:

  1. 这里使用的计划格式——一个函数列表,其参数由 agent 推断——只是构建 agent 控制流的多种方式之一。

  2. generate_query 函数接收任务的当前历史记录和最近的工具输出,以生成要输入到响应生成器的查询。每个步骤的工具输出都会添加到任务的历史记录中。

如果用户输入“上周最畅销产品的价格是多少”,则生成的计划可能如下所示:

get_time()
fetch_top_products()
fetch_product_info()
generate_query()
generate_response()

你可能会想,“每个函数需要的参数是什么?” 确切的参数很难提前预测,因为它们通常是从之前的工具输出中提取的。如果第一步 get_time() 输出“2030-09-13”,那么 agent 可以推断出下一步的参数应该按如下方式调用:

retrieve_top_products(
    start_date="2030-09-07",
    end_date="2030-09-13",
    num_products=1
)

通常,没有足够的信息来确定函数的精确参数值。例如,如果用户问“最畅销产品的平均价格是多少?”,那么以下问题的答案就不清楚:

  • 用户想看多少最畅销的产品?

  • 用户想要的是上周、上个月还是所有时间的最畅销产品?

这意味着模型经常需要进行猜测,而猜测可能会出错。

由于操作序列和相关的参数都是由 AI 模型生成的,它们可能会产生幻觉。幻觉会导致模型调用无效的函数,或者调用有效的函数但参数错误。通常,可以使用提高模型整体性能的技术来提高模型的规划能力。

让 agent 更好地规划的提示:

  • 编写包含更多示例的更好的系统提示。

  • 提供对工具及其参数的更清晰的描述,以便模型更好地理解它们。

  • 重写函数本身,使其更简单,例如将一个复杂的函数重构为两个更简单的函数。

  • 使用更强大的模型。一般来说,更强大的模型更擅长规划。

  • 为规划生成微调模型。

函数调用

现在的模型公司基本都提供了函数调用的能力,从而有效地将它们的模型变成了 agent。工具就是一个函数。因此,调用工具通常称为函数调用。不同的模型 API 的工作方式有所不同,但一般来说,函数调用按以下步骤工作:

  1. 创建工具清单。声明你希望模型使用的所有工具。每个工具都由其执行入口点(例如,函数名)、参数和文档(例如,函数的作用以及需要哪些参数)描述。

  2. 指定 agent 可以为特定查询使用的工具。

    由于不同的查询可能需要不同的工具,因此许多 API 允许你指定每个查询要使用的已声明工具列表。有些允许你通过以下设置进一步控制工具的使用:

  • required:模型必须使用至少一个工具。

  • none:模型不应使用任何工具。

  • auto:模型决定使用哪些工具。

给定一个查询,agent 会自动生成要使用的工具及其参数。某些函数调用 API 将确保仅生成有效的函数,尽管它们无法保证参数值的正确性。

规划粒度

规划是概述完成任务所需步骤的路线图。路线图可以有不同的粒度级别。为一年做计划时,按季度计划比按月计划更高级,而按月计划又比按周计划更高级。

在规划和执行之间存在一种权衡。详细的计划更难生成,但更容易执行。更高级的计划更容易生成,但更难执行。一种规避这种权衡的方法是分层规划。首先,使用规划器生成一个高层次的计划,例如按季度计划。然后,对于每个季度,使用相同或不同的规划器生成一个按月计划。

到目前为止,所有生成的计划示例都使用确切的函数名称,这非常细粒度。这种方法的一个问题是 agent 的工具清单会随着时间推移而改变。例如,获取当前日期的函数 get_time() 可以重命名为 get_current_time()。当工具发生变化时,你需要更新你的提示和所有示例。使用确切的函数名称也使得在具有不同工具 API 的不同用例中重用规划器变得更加困难。

如果你之前微调过一个模型以基于旧的工具清单生成计划,则你需要使用新的工具清单再次微调该模型。

为了避免这个问题,计划也可以使用更自然的语言生成,这种语言比特定领域的函数名称更高级。例如,给定查询“上周最畅销产品的价格是多少”,可以指示 agent 输出如下所示的计划:

获取当前日期
检索上周最畅销的产品
检索产品信息
生成查询
生成响应

使用更自然的语言有助于你的计划生成器更好地应对工具 API 的变化。如果你的模型主要是在自然语言上训练的,它可能会更擅长理解和生成自然语言的计划,并且不太可能出现幻觉。

这种方法的缺点是你需要一个翻译器来将每个自然语言操作转换为可执行的命令。Chameleon中将这个翻译器称为程序生成器。但是,翻译是一项比规划简单得多的任务,并且可以通过幻觉风险较低的弱模型来完成。

复杂规划

到目前为止的规划示例都是顺序的:计划中的下一个操作总是在前一个操作完成后执行。可以执行操作的顺序称为控制流。顺序形式只是控制流的一种类型。其他类型的控制流包括并行、if 语句和 for 循环。以下列表概述了每种控制流,包括用于比较的顺序:

  • 顺序

    在任务 A 完成后执行任务 B,可能是因为任务 B 依赖于任务 A。例如,SQL 查询只能在从自然语言输入翻译后执行。

  • 并行

    同时执行任务 A 和 B。例如,给定查询“查找 100 元以下的畅销产品”,agent 可能会先检索前 100 名畅销产品,然后为每个产品检索其价格。

  • If 语句

    根据上一步的输出执行任务 B 或任务 C。例如,agent 首先检查 宁德时代 的财务报告。根据此报告,它可以决定出售或购买宁德时代股票。Anthropic 的帖子将此模式称为“路由”。

  • For 循环

    重复执行任务 A,直到满足特定条件。例如,持续生成随机数,直到出现质数。

Agent 控制流

在传统的软件工程中,控制流的条件是精确的。对于 AI 驱动的 agent,AI 模型决定控制流。具有非顺序控制流的计划更难生成和转换为可执行的命令。

在评估 agent 框架时,请检查它支持哪些控制流。例如,如果系统需要浏览十个网站,它可以同时进行吗?并行执行可以显著减少用户感知的延迟。

反思和错误纠正

即使是最好的计划也需要不断评估和调整,以最大限度地提高其成功的机会。虽然反思对于 agent 的运行并非绝对必要,但对于 agent 的成功至关重要。

在任务过程中,有很多地方可以使用反思:

  • 在收到用户查询后评估请求是否可行。

  • 在初始计划生成后评估该计划是否合理。

  • 在每个执行步骤之后评估它是否在正确的轨道上。

  • 在整个计划执行完毕后确定任务是否已完成。

反思和错误纠正是相辅相成的两种不同机制。反思产生有助于发现需要纠正的错误的见解。

反思可以使用具有自我批评提示的同一个 agent 来完成。它也可以使用单独的组件来完成,例如专用评分器:一个为每个结果输出具体分数的模型。

ReAct 首先提出,交错推理和行动已成为 agent 的常见模式。在每一步,都会要求 agent 解释其想法(规划)、采取行动,然后分析观察结果(反思),直到 agent 认为任务完成。通常会使用示例提示 agent 以以下格式生成输出:

想法 1: ...
行动 1: ...
观察 1: ...

... [继续,直到反思确定任务已完成] ...

想法 N: ...
行动 N: 完成 [对查询的响应]

你可以在多 agent 设置中实现反思:一个 agent 规划并采取行动,另一个 agent 在每个步骤或多个步骤后评估结果。

如果 agent 的响应未能完成任务,你可以提示 agent 反思失败的原因以及如何改进。基于此建议,agent 生成新计划。这使 agent 可以从错误中学习。

例如,给定一个代码生成任务,评估器可能会评估生成的代码在 ⅓ 的测试用例中失败。然后,agent 反思失败的原因是它没有考虑到所有数字都是负数的数组。然后,执行器生成新代码,其中考虑了所有负数数组。

这是 Reflexion 采用的方法。在此框架中,反思分为两个模块:一个评估结果的评估器和一个分析哪里出错的自我反思模块。下图是Reflexion agent 的工作示例。作者使用术语“trajectory”来指代规划。在每一步之后,经过评估和自我反思,agent 都会提出新的trajectory。

与规划生成相比,反思相对容易实现,并且可以带来令人惊讶的性能提升。这种方法的缺点是延迟和成本。想法、观察,有时还有行动可能需要生成大量的 token,这会增加成本和用户感知的延迟,特别是对于有很多中间步骤的任务。为了促使他们的 agent 遵循格式,ReAct 和 Reflexion 的作者都在他们的提示中使用了大量的示例。这会增加计算输入 token 的成本,并减少可用于其他信息的上下文空间。

工具选择

由于工具通常在任务的成功中起着至关重要的作用,因此工具选择需要仔细考虑。为你 agent 提供的工具取决于环境和任务,但也取决于驱动 agent 的 AI 模型。

没有关于如何选择最佳工具集的万无一失的指南。在 agent 文献中,你会发现各种各样的工具清单。例如:

  • Toolformer (Schick et al., 2023) 微调 GPT-J 以学习 5 个工具。

  • Chameleon (Lu et al., 2023) 使用 13 个工具。

  • Gorilla (Patil et al., 2023) 尝试提示 agent 在 1,645 个 API 中选择正确的 API 调用。

更多的工具可以为 agent 提供更多的功能。但是,工具越多,就越难有效地使用它们。这类似于人类难以掌握大量工具的情况。添加工具也意味着增加工具描述,这可能不适合模型的上下文。

与构建 AI 应用程序时的许多其他决策一样,工具选择需要实验和分析。以下是一些可以帮助你做出决定的事情:

  • 比较 agent 在不同工具集下的表现。

  • 进行消融研究,以查看如果从其清单中删除某个工具,agent 的性能会下降多少。如果可以删除某个工具而不会降低性能,则将其删除。

  • 查找 agent 经常出错的工具。如果事实证明某个工具对于 agent 来说太难使用(例如,大量的提示甚至微调都无法让模型学会使用它),请更改该工具。

  • 绘制工具调用的分布图,以查看哪些工具使用最多,哪些工具使用最少。图 6-14 显示了 GPT-4 和 ChatGPT 在 Chameleon (Lu et al., 2023) 中的工具使用模式差异。

不同模型具有不同的工具偏好

Chameleon 的实验也证明了两点:

  1. 不同的任务需要不同的工具。ScienceQA(科学问题解答任务)比 TabMWP(表格数学问题求解任务)更依赖于知识检索工具。

  2. 不同的模型具有不同的工具偏好。例如,GPT-4 似乎选择的工具集比 ChatGPT 更广泛。ChatGPT 似乎更喜欢图像字幕,而 GPT-4 似乎更喜欢知识检索。

在评估 agent 框架时,评估它支持哪些规划器和工具。不同的框架可能专注于不同类别的工具。例如,AutoGPT 专注于社交媒体 API(Reddit、X 和 Wikipedia),而 Composio 专注于企业 API(Google Apps、GitHub 和 Slack)。

由于你的需求可能会随着时间的推移而变化,因此请评估扩展你的 agent 以包含新工具的难易程度。

作为人类,我们变得更高效不仅是因为使用给定的工具,还因为从更简单的工具中逐步创建更强大的工具。AI 可以从其初始工具创建新工具吗?

Chameleon 提出了工具转换的研究:在工具 X 之后,agent 调用工具 Y 的可能性有多大?下图展了一个工具转换的示例。如果两个工具经常一起使用,则可以将它们组合成一个更大的工具。如果 agent 意识到此信息,则 agent 本身可以组合初始工具以不断构建更复杂的工具。

Vogager 提出了一个技能管理器,以跟踪 agent 获取的用于以后重用的新技能(工具)。每个技能都是一个编码程序。当技能管理器确定新创建的技能有用时(例如,因为它已成功帮助 agent 完成任务),它会将此技能添加到技能库(在概念上类似于工具清单)。以后可以检索此技能以用于其他任务。

最后的最后

感谢你们的阅读和喜欢,作为一位在一线互联网行业奋斗多年的老兵,我深知在这个瞬息万变的技术领域中,持续学习和进步的重要性。

为了帮助更多热爱技术、渴望成长的朋友,我特别整理了一份涵盖大模型领域的宝贵资料集。

这些资料不仅是我多年积累的心血结晶,也是我在行业一线实战经验的总结。

这些学习资料不仅深入浅出,而且非常实用,让大家系统而高效地掌握AI大模型的各个知识点。如果你愿意花时间沉下心来学习,相信它们一定能为你提供实质性的帮助。

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

大模型知识脑图

为了成为更好的 AI大模型 开发者,这里为大家提供了总的路线图。它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
在这里插入图片描述

经典书籍阅读

阅读AI大模型经典书籍可以帮助读者提高技术水平,开拓视野,掌握核心技术,提高解决问题的能力,同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说,阅读经典书籍是非常有必要的。

在这里插入图片描述

实战案例

光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。

在这里插入图片描述

面试资料

我们学习AI大模型必然是想找到高薪的工作,下面这些面试题都是总结当前最新、最热、最高频的面试题,并且每道题都有详细的答案,面试前刷完这套面试题资料,小小offer,不在话下

在这里插入图片描述

640套AI大模型报告合集

这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。

在这里插入图片描述

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

AI Agent planning规划能力优化-一个简单但是收益很高的方法 类manus的方案通过链路工程让规划和执行分离(如下图),agent系统的规划和遵循规划的能力肯定会更好,尤其是针对15分钟甚至30分钟以上的长程任务。1.prompt 无法干预推理模型输出的思维链过程——推理模型的后训练一般只针对最终输出的结果,思维链的空间是由模型自由探索——而使用思考工具可以 prompt 大模型,提供 few shot 示例指导模型在特定的垂直领域该如何思考。),而使用思考工具,模型可以在多工具调用的过程中任意使用,并且保留在上下文中,这对复杂的多工具调用是有益处的。 阅读详情

相关推荐

Rasa:使用大语言模型进行意图分类

LLM意图分类器是一种全新的意图分类器,利用大型语言模型(LLM)来对意图进行分类。在使用LLM进行意图分类时,可以自定义提示(prompt),以指导LLM预测消息的意图。在Rasa的最新版本(3.x)中,引入了一种新的意图分类方法,即使用大型语言模型(LLM)和一种称为检索增强生成(RAG)的方法进行意图分类。要在的机器人中使用基于LLM的意图分类器,需要在config.yml文件中添加LLMIntentClassifier。这是因为LLM生成的响应与现有的意图进行映射,防止任何提示泄露给用户。

大模型与Agent智能体 6340

AI Agent设计模式 | Planning(规划模式):实现任务自主分解

在人工智能领域,大型语言模型(LLM)一直是推动技术进步的核心力量。从最初的自然语言理解到如今的多模态交互,LLM的应用场景不断拓展,其能力也在不断提升。然而,随着任务复杂度的增加,单一的模型输出已难以满足需求,这就催生了AI Agent设计模式的诞生。Planning(规划模式)作为其中一种重要模式,它赋予了AI自主分解任务、制定执行计划的能力,使得AI在处理复杂任务时更加高效、灵活。

Androiddddd的博客 2639

脑影像分析入门:如何用一般线性模型(GLM)处理fMRI数据?

本文为神经影像研究入门者详细解析了如何运用一般线性模型(GLM)处理fMRI数据。文章从GLM的核心原理出发,逐步拆解了从实验设计、构建稳健设计矩阵、模型估计与统计推断,到高阶分析及多重比较校正的全流程,并指出了常见陷阱与结果解读要点,是掌握fMRI数据分析基础的关键指南。

weixin_29091445的博客 400

【Preference Learning】Reasoning with Language Model is Planning with World Model

用自然语言在prompt中定义状态和动作。根据定义的状态和动作,将推理过程描述为马尔可夫过程(MDP)。

STAR GAME 1757

S32K144 ADC硬件触发实战:PDB模块配置与DMA传输全流程解析

本文详细解析了S32K144微控制器中ADC硬件触发的全流程实现。通过配置PDB模块产生精确的定时触发信号,并联动DMA实现转换数据的自动搬运,构建了一个无需CPU干预的高效、低抖动数据采集系统。文章深入讲解了时钟配置、模块初始化、DMA引擎搭建及实战调试技巧,为汽车电子和工业控制应用提供了可靠的解决方案。

weixin_29174141的博客 228

基于单片机的自动喷淋系统设计【毕业设计】

随着人民生活质量提高与生活节奏的加快,城市居民对于花草绿植的家庭培养与装饰需求增加,随之因浇灌植物的需要,智能浇花系统的市场逐渐扩大。现有自动浇花系统大部分只能通过设置固定浇水时间而难以实现适时、适量浇水,或在植物环境土壤含水量低时进行报警而并不能实际补水。为克服局限性而设计以单片机为控制中心的自动浇花系统。通过湿度传感器检测目标植物环境土壤湿度数据,再经ADCO832将其放大转换为数字量,由单片机读取输出向LCD1602 显示屏显示并通过比对键盘向单片机所设置的湿度范围而利用中断服务程序进行补水需求判断。

qq_48771816的博客 1712

AI Planning 简介

原链接: https://community.bwbot.org/topic/494 什么是AI planning我们从一个例子入手。假设现在我们在一个两层的大楼里面有一个扫地机器人。机器人需要能够在两层打扫。两层楼之间移动可以坐电梯也可以做楼梯。那么我们如何实现让机器人同时打扫两层的功能呢? 每一层的打扫都很容易实现,坐电梯的过程也很容易实现。问题在如如何让机器人理解到想要从一层到二层需要坐...

bluewhalerobot的博客 3370

深度学习暑期科研项目(两个月发EI论文)

对本科生而言,越早接触系统的科研训练开始上手科研项目,就越能在未来的升学求职中占据很大的优势。暑假是提升个人简历、丰富科研经历的最佳时期!哈尔滨工业大学博士师兄也会在8月1日开始带大家上手科研项目,并撰写发表EI会议论文。

Magnolia_He的博客 1444

Agent规划大揭秘!这才是真正的planning

agent 的核心是负责解决用户所提出的任务。这个任务由目标和约束条件定义。 例如,一个任务是安排一次从上海到北京为期两周的旅行,预算为 5000。 目标是为期两周的旅行,约束条件是预算。 复杂的任务需要规划。规划过程的输出是一个计划,它是一份概述完成任务所需步骤的路线图。有效的规划通常要求模型理解任务,考虑实现该任务的不同选项,并选择最有希望的一个。

Gaga246的博客 1677

华为[ENSP]—— 实验二、三层交换和ARP的工作原理

华为[ENSP]三层交换和ARP的工作原理

weixin_62594100的博客 6413

【FPGA】Verilog代码实现温湿度传感器DHT11

#今天也是咸鱼的一天~ 因为参加Robei 杯 是要做一个机器人,先不说这个机器人具体怎么机器法,但是和外界互通的传感器肯定少不了,通过获取外界环境数据,进行处理,然后做出各种各样的功能。 先来讲个简单的模块,温湿度传感器DHT11。 DHT11介绍 DHT11是一款价格便宜,易于使用的温度湿度测量二合一传感器。它具有超小体积、极低功耗的特点。它使用单根总线与单片机进行双向的串行数据传输,信号传...

Ninquelote的博客 9164

一文读懂大模型 Agent 架构,详解Profile,Memory,Planning,Action模块作用

在人工智能领域,人们对Agent的期待日益增长。每当基于Agent的新开源工具或产品出现时,都能引发热烈的讨论,比如之前的AutoGPT。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。这篇论文详细解读了Agent的概念、发展历史以及近期的研究热点。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。

机器学习社区 1万+

Unity Scriptable Build Pipeline (SBP) 详解

Unity 的可编程构建管线(Scriptable Build Pipeline, SBP)标志着引擎构建架构的一次关键转变,它从不透明的 C++ 实现转向了灵活、可扩展的 C# 框架。SBP 旨在满足现代游戏开发日益增长的需求,通过改进增量处理和高效缓存机制显著提升了构建性能。它赋予开发者对内容构建过程前所未有的控制力,从而能够针对特定项目需求进行深度定制。尽管 SBP 是 Unity 推荐的 Addressables 系统的重要基础层,但理解其核心组件、构建流程和高级功能对于优化大型项目、简化 CI/C

m0_57771536的博客 2209

AI Agent大揭秘:从“提示词地狱“到“智能体革命“,程序员必学的AI新范式!

本文深入浅出介绍了AI Agent的核心概念与价值,解析其公式:AI Agent = LLM + Planning + Memory + Tools。通过年度总结案例展示Agent如何解决大模型固有缺陷,如幻觉、知识局限、数学能力弱等问题。强调Agent框架是当前解决大模型局限的有效方案,未来5-10年仍将是主流,建议开发者专注与AI协作而非担忧被取代。

xx_nm98的博客 1356

Matlab信号处理——基于BP神经网络的调制信号分类与识别

如果你想要进一步了解更多的相关知识,可以关注下面公众号联系~会不定期发布相关设计内容包括但不限于如下内容:信号处理、通信仿真、算法设计、matlab appdesigner,gui设计、simulink仿真......希望能帮到你!对信号进行采样和处理,得到了一系列特征参数,包括幅度均值、频率峰值、频率平方均值以及相位标准差、修正后的相位标准差。

小嘤熊的博客 1309

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

Agent技术解读:Planning(规划)模块

记忆增强的LLM代理在规划中表现出更强的。

m0_59235945的博客 3431

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

2026年!AI Agent核心技术大揭秘!独家完整学习路径,大模型学习路线超详细,建议收藏!

本文全面介绍AI Agent的概念、构成(规划、记忆、工具)和分类,分析其优势(任务导向、自然交互、进化决策)与局限(可靠性、成本),强调对企业和个人的重要意义,详细阐述企业知识助手、数据分析助手等应用场景,为读者提供系统学习AI Agent的路径和方法。

2401_85327249的博客 850

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

AI Agent规划模式完全指南:Planning模式详解,提升复杂任务处理能力!

文章介绍了AI Agent的规划模式,该模式让Agent在执行操作前先制定高级计划或路线图,然后按计划执行步骤。这种方式特别适合复杂任务,能提供全局视角,避免遗漏重要步骤,提高效率和准确性。规划模式包含三个阶段:规划阶段(分解任务)、执行阶段(按计划执行子任务)和聚合响应阶段(汇总结果)。与ReAct模式相比,规划模式更适合需要战略眼光的多步骤问题,使解决方案路径更可解释和可验证。

2401_85325557的博客 839

AI大模型系列之六:基于LLM的Agent架构图解

Agent是什么? Agent是一种能够自主决策、采取行动以达到某种目标的实体。 AI Agent则被明确定义为:基于人工智能(尤其是大模型)技术,能够感知和理解环境,并采取行动以完成目标的智能实体。 Agent能干什么? AI Agent 主要依托LLM模型和具体的业务场景来调用相应的工具来完成任务目标,智能化程度和行业贴合度会更明显。

Peter_Changyb的博客 2万+

AI规划技术详解:Planning模式原理与实战

规划模式使AI Agent在执行操作之前先制定计划或解决方案。与ReAct直接进入逐步推理和使用工具的方式不同,Planning Agent会首先为任务设计一个高层级的计划或路线图,随后再逐步执行该计划中的每一个步骤,最终得出结果。通过这种“先规划后行动”的方式,LLM代理处理复杂任务和进行决策的能力得到了显著增强。

m0_59162559的博客 1204

一张图看懂AI Agent:大模型学习必备精华,建议马上收藏!

文章详解了AI Agent的五层架构(Prompt提示词、LLM大模型、Memory知识库、Planning任务规划、Action行动执行)及其协同工作机制。这五大模块形成闭环,使AI Agent具备自主性、适应性和学习性。真正的AI Agent不是简单的模型+工具调用,而是需要清晰任务边界、可靠工具生态和合理交互流程的复杂系统工程。

yihanss的博客 1181

AI学习第 9天·实战:让 Agent 拥有自主任务规划能力(Task Planning)

我们让 Agent 从“读文件” → “知识问答” 。今天,我们继续升级 —— 让 Agent 不仅能执行,还能自主规划任务。

瓦罗兰特顶级C位的博客 1254
上一篇: 【AI大模型部署】保姆级教程:从零开始部署Ollma和Qwen大模型
下一篇: 【AI大模型微调】Meta祭出三篇最详尽Llama微调指南!千字长文,0基础小白必备
Agent学习路线
博客等级 码龄6年 1万+粉丝 1907原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值