AI大模型系列之六:基于LLM的Agent架构图解

【上】大模型Autogen多Agent系统详细保姆级实践介绍,亲身实践展示代理效果 Autogen多Agent系统详细保姆级实践介绍,亲身实践展示代理效果 阅读详情
AI摘要

本文探讨了一种基于大型语言模型的自主Agent架构,包括Profile、Memory、Planning和Action模块,以及与华为诺亚盘古Agent的案例分析。文章还比较了主流的单智能体和多智能体架构,强调了多智能体在处理复杂任务和记忆容量方面的优势。

目录

Agent定义

本论文的Agent一种架构是什么?

Profile模块解析

Memory模块解析

Planning模块解析

Action模块解析

主流的另外一种Agent架构?

案例分析:华为诺亚的盘古Agent

主流的多智能体有哪些?


【本文摘录自清华大学出版社:《深度学习和大模型原理与实践》】,各网站有销售,京东地址:

https://item.jd.com/10130571131098.html

研究内容:基于大型语言模型(LLM)的Agent的架构

Agent定义

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的确定义: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。

典型案例有什么?

智能核保应用,如果解决方案搭载AI Agent能力,Agent具体工作:

1)能自动识别业务需求,调用OCR信息抽取和结构化管理;

2)构建核保决策模型;

3)联合出保及费率管理等模块,快速完成核保目标。

Agent和大模型LLM有什么关系?

对于大模型和AI Agent 的关系,说法有很多,但总结下来我们可以得出三点:

1)AI Agent 以大模型技术为驱动,大模型以AI Agent 为业务触手。

2)不同的大模型应用行业应用,往往会催生不同的AI Agent。

3)两者相辅相成、相得益彰,共同拓展着AI的应用边界和通用能力。

总结,大模型 + 插件 + 执行流程 = Agent,图解如下:

 论文地址:https://browse.arxiv.org/pdf/2308.11432.pdf

A Survey on Large Language Model based Autonomous Agents

本论文的Agent一种架构是什么?

在Agent架构设计方面,该论文提出了一个统一的框架,包括Profile模块、Memory模块、Planning模块和Action模块。

Profile模块解析

定义和管理Agent角色的特性和行为。它包含一系列参数和规则,描述了Agent的各种属性,如角色、目标、能力、知识和行为方式等。这些属性决定了Agent如何与环境交互,如何理解和响应任务,以及如何进行决策和规划。

三种Agent角色生成方式,包括LLM生成方法、数据集对齐方法和组合方法。具体如下:

1. LLM生成方法:利用大语言模型自动生成代理的个人特征,比如年龄、性别、个人喜好等背景信息。具体做法是:首先设定代理的组成规则,明确目标人群中代理应具备的属性;然后指定几个手工创建的种子配置文件作为示例;最后利用语言模型生成大量代理配置文件。这种方法可以快速批量生成配置文件,但由于缺乏精确控制,生成的代理可能会缺乏细节。

2. 数据集对齐方法:是从真实世界的人口数据集中获取代理的配置文件信息,比如通过抽取人口调查数据组织成自然语言描述。这样可以使代理行为更真实可信,准确反映真实人口的属性分布。但需要可靠的大规模数据集支持。

3. 组合方法:利用真实数据集生成一部分关键代理,确保反映真实世界规律;然后用LLM生成方法补充大量其他代理,拓展代理数量。这样既保证了代理的真实性,又实现了充足的代理数量,使系统可以模拟更复杂的社会交互。谨慎的配置文件设计是构建有效代理系统的基础。

Memory模块解析

在Agent系统中扮演重要角色,它存储和组织从环境中获取的信息,以指导未来行动。

结构上,内存模块通常包含短期记忆和长期记忆两个部分。短期记忆暂存最近的感知,长期记忆存储重要信息供随时检索。

格式上,内存信息可以用自然语言表达,也可以编码为向量嵌入提高检索效率。还可以利用数据库存储,或组织为结构化列表表示内存语义。

操作上,主要通过记忆读取、写入和反射三种机制与环境交互。读取提取相关信息指导行动,写入存储重要信息,反射总结见解提升抽象水平。

Planning模块解析

主要任务:帮助Agent将复杂的任务分解为更易处理的子任务,并制定出有效的策略。它大致分为两种类型,一种是不依赖反馈的计划,另一种则是基于反馈的计划。

不依赖反馈的计划在制定过程中并不参考任务执行后的反馈,它有几种常用的策略。比如单路径推理,它按照级联的方式,一步一步地生成计划。另外,还有多路径推理,它会生成多个备选的计划路径,形成树状或图状的结构。当然,我们也可以利用外部的规划器进行快速搜索,以找出最优的计划。

基于反馈的计划,它会根据任务执行后的反馈来调整计划,这种方式更适合需要进行长期规划的情况。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。

Action模块解析

职责:将抽象的决策转化为具体的行动,它就像是一个桥梁,连接了Agent的内部世界与外部环境。在执行任务时,需要考虑行动的目标、生成方式、应用范围以及可能产生的影响。

理想的行动应当是有目的的,例如完成特定任务、与其他代理进行交流或者探索环境。行动的产生可以依赖于查询过去的记忆经验,或者遵循预设的计划。而行动的范围,不仅可以通过利用如API和知识库等外部工具来扩展,还需要发挥大型语言模型(LLM)的内在能力,例如规划、对话及理解常识等。

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。论文中提出了几种方法,包括模型微调、提示工程和机械工程。其中提示工程应该是最为常见的一种形式了,我们常听说的提示词工程师就是在这个语境下的角色。

模型微调。使用特定任务数据对模型进行微调,提升相关能力。数据可以来自人类注释、LLM生成或实际应用中收集。这可以使Agent行为更符合人类价值观。

提示工程。通过自然语言描述向LLM灌输所需的能力,然后将描述作为提示指导Agent操作。这可以让Agent快速获得指定的软件能力。主要涵盖:

1)试错法:Agent先执行操作,根据效果调整行动。逐步优化。

2)众包法:整合多个Agent的见解,形成更新的集体响应。

3)经验积累法:Agent通过不断探索积累经验,逐步提升软件能力。

4)自我驱动法:Agent自主设置目标并在环境中不断探索,最终获得软件能力。

基于LLM的Agent的设计和构建策略是一个复杂且有挑战性的任务。

主流的另外一种Agent架构?

LLM-based Agent 框架包含三个组成部分:控制端(Brain)、感知端(Perception)和行动端 (Action)。

1、控制端:Brain
自然语言交互:高质量文本生成和言外之意的理解(chatgpt,chatglm ,llama)

知识:基于大批量语料训练的 LLMs,拥有了存储海量知识(Knowledge)的能力。除了语言知识以外, 常识知识和专业技能知识都是 LLM-based Agents 的重要组成部分。(Langchain)

记忆力:长期记忆,短期记忆。

扩充记忆的方法扩展 Backbone 架构的长度限制:针对 Transformers 固有的序列长度限制问题进行改进。
总结记忆(Summarizing):对记忆进行摘要总结,增强代理从记忆中提取关键细节的能力。
压缩记忆(Compressing):通过使用向量或适当的数据结构对记忆进行压缩,可以提高记忆检索
推理 & 规划:将复杂任务分解为更易于管理的子任务。在制定计划后,可以进行反思并评估其优劣。

迁移性 & 泛化性:对未知任务的泛化
情景学习(In-context Learning):场景化学习,持续学习
2、感知端:大模型行的耳朵和眼睛
文本输入,视觉输入:图片->文本 图片->编码,听觉输入,其他输入

3、行动端:Action 大模型的手和脚
文本输出:LLMs 最基础的能力,计算微积分,计算泛函,

工具使用:尽管 LLMs 拥有出色的知识储备和专业能力,但在面对具体问题时,也可能会出现鲁棒 性问题、幻觉等一系列挑战。与此同时,工具作为使用者能力的扩展,可以在专业性、事实性、可 解释性等方面提供帮助。例如,可以通过使用计算器来计算数学问题、使用搜索引擎来搜寻实时信 息。

其他模型:调用语音生成、图像生成等专家模型,来获得多模态的行动方式。

案例分析:华为诺亚的盘古Agent

近日,来自华为诺亚方舟实验室、伦敦大学学院(UCL)、牛津大学等机构的研究者提出了盘古智能体框架(Pangu-Agent)尝试来解决 AI 智能体面临的挑战。该研究作者包括伦敦大学学院计算机系教授汪军。

论文链接:https://arxiv.org/abs/2312.14878

该工作在两个关键方面区别于先前的框架:

1)将智能体的内部思维过程形式化为结构化推理的形式;

2)展示了通过监督学习和强化学习来微调智能体的方法。

标准强化学习侧重于直接学习从感知中输出行动的策略。虽然人们习惯于通过深度网络架构参数化策略,但作者认为,当通过基础模型策略跨任务扩展智能体时,标准 RL 管道中缺乏固有推理结构可能会成为一个重大瓶颈,因为梯度无法为所有深度网络提供足够的监督。

盘古 Agent 框架展示了结构化推理如何帮助强化学习克服这些挑战,利用大规模基础模型提供先验知识并实现跨广泛领域的泛化能力。 

据介绍,该工作的主要贡献包括:

1)证明了结构化推理在智能体框架中的重要性,盘古 Agent 的通用性足以有效涵盖现有智能体框架的任务范围。作为一个元智能体框架,它可以利用内部函数调用的顺序进行调整或微调,或者将决策委托给底层 LLM。使用者也可以轻松扩展智能体的功能,并组合或重用许多已经实现的方法。

2)作者在七个 LLM 和六个不同领域上进行了评估。该评估可用于告知研究人员如何初始化其智能体以及如何收集微调步骤的数据。

3)研究证明了框架的监督微调(SFT)和强化学习微调(RLFT)的影响。通过结构化推理,该工作成功实现了基于拒绝采样的 SFT 管道,大幅提高了 LLM 在 ALFWorld 领域的表现,成功率从 27% 增加到 82%。尽管 SFT 的好处已趋于稳定,但通过 RL 可以实现进一步增强,将 BabyAI 任务的成功率提高到 88%,甚至从 28% 提高到 91%。此外,跨领域实验显示通过 RL 管道训练的单个 LLM 能够同时在 ALFWorld (82%) 和 BabyAI(18 项任务中平均 58.7%)领域实现高性能。

主流的多智能体有哪些?

与单智能体(即一个Agent完成所有的任务)的区别:

1.多智能体的每个Agent只需要关注自己的立场,与自己相关的信息即可。不需要cover所有的历史信息,而单智能体,比如AutoGPT,是需要记住所有的历史信息,意味着单智能体在面临长历史的复杂任务时,对记忆容量(大模型支持的序列长度)要求比较高。多智能体在这方面有很明显的优势。

2.通过角色扮演的机制可以排除一些其他视角的观点,让大模型的表现更稳定,单智能体由于混杂了很多任务,无法做到这一点。

3.可拓展性更好,单智能体的拓展性依赖于memory的一些节省token的策略,对于更复杂的任务,每次输入给大模型的context会变长,会产生性能下降的风险(大模型处理长序列会存在丢失关键信息的情况等等)。多智能体分工协作则没有这个问题,因为每个智能体只完成特定的子任务,子任务一般不会造成很长的context。

4.可以多方案并行探索,然后选取最优的解决方案。单智能体则没有这种优势,或者实现起来会相对麻烦一点。

MetaGPT

和现实世界人类团队之间的软件开发SOP(Standardized Operating Procedures ,维基百科的解释是组织编制的一套循序渐进的说明,用于帮助工人进行日常操作。SOP旨在实现效率、质量输出和性能一致性,同时减少沟通失误和不遵守行业法规的情况。)。在软件工程中,SOP促进不同角色之间的协作。MetaGPT展示了其将复杂任务分解为分配给不同角色的特定可操作过程的能力(例如Product Manager, Architect, Engineer等等)。

AutoGen

是2023年最成功的Multi-Agent的Framework之一,为了减少开发人员跨各个域创建复杂LLM应用程序所需的工作量,AutoGen的一个核心设计原则是精简和使用多智能体对话来整合多智能体工作流。这种方法还旨在最大限度地提高实现的可重用性agents。

AutoAgents

其过程是分为两个关键阶段:Drafting 阶段和Execution阶段。Drafting阶段包括三个预定义agent(Planner、Agent Observer和Plan Observer)之间的协作讨论来综合定制的agent团队和适合输入问题的执行计划或任务。Execution阶段通过agent间协作和反馈完善计划,以及产生最终结果。论文提出self-refinement ,通过个体agent和协作进行自我完善通过多个agent进行细化,以提高agent的熟练程度并促进各agent之间的知识共享agents。为了促进合成团队中agents之间的具体分工,作者引入预定义的agent(Action Observer)以协助agents团队共享信息,协调行动,达成共识,适应环境。

总结

Agent刚开始出现的时候,代表性的是AutoGPT, BabyAGI(主张一个agent来调用工具来解决复杂的任务),代表方法是ReACT,总体上强调的是Agent使用工具的能力。后面出现了Multi-Agent(这个概念应该是借鉴的强化学习里面的Multi-agent),侧重角色扮演(通过写prompt给Agent赋予一个角色,并规范一些行为),和Agents之间的协作,竞争等策略来完成一项复杂的任务,除了从底层支持和改进多Agents协作的能力外,还需要建设Agent自动化调度(广播机制,订阅发布者机制),Multi-Agent通信协议,动态数量的Agents协作等,有了这些基础设施,就可以在原有的Agent基础上完成更高阶的任务。

Multi-Agent像是一个团队,团队里面的Agent更像是不同的工种,通过不同的Agent之间的分工协作,完成一些比较复杂的任务。

LLM ,MCP协议,A2A协议,RAG,智能体(AI Agent) 图解详细讲解 本文详细介绍了MCP协议及其在AI领域的应用。MCP协议由Anthropic推出,旨在解决大语言模型与外部工具交互的标准化问题,支持Stdio和SSE两种通信方式。文章通过旅游规划、业绩查询等场景展示了MCP的实际价值,并对比了传统集成方式与MCP方案的优劣。此外,还介绍了MCP的架构组成(主机、客户端、服务器等)和安装配置方法。MCP通过统一接口简化了AI与外部世界的连接,为开发者和终端用户提供了更便捷的智能服务体验。 阅读详情

相关推荐

AI应用架构设计图解:从LLM、Agent到MCP的完整指南

AI应用架构设计是构建高效智能系统的核心。其原理在于通过分层解耦,将模型、能力、编排、应用与基础设施各层职责分离,并借助数据流、控制流与成本流三视角进行可视化规划。技术价值在于提升系统可维护性、扩展性与成本可控性,避免因架构混乱导致的失败。典型应用场景包括智能客服、代码助手与文档问答等。LLM、Agent与MCP协议作为关键组件,分别承担大脑、执行与标准化工具调用的角色。本文深入拆解这些组件的配合逻辑,并提供从零搭建的实操流程与架构演进路径。

weixin_32238157的博客 118

2024版最新大模型agent原理图解,大模型入门到精通,收藏这篇就够了

大模型 Agent,作为一种人工智能体,是具备环境感知能力、自主理解、决策制定及执行行动能力的智能实体。简而言之,它是构建于大模型之上的计算机程序,能够模拟独立思考过程,灵活调用各类工具,逐步达成预设目标的智能存在。Agent 是 AI 大模型应用的主要新形态,在技术架构范式也发生了很大的变化,从面向过程的架构变成了面向目标架构。**2**_—_

leah126的博客 2043

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

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。

具身机器人和通用AI 1万+

AI大模型基于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的确定义: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。典型案例有什么?智能核保应用,如果解决方案搭载AI Agent能力,Agent具体工作:1)能自动识别业务需求,调用OCR信息抽取和结构化管理;2)构建核保决策模型;

lvaolan168的博客 2007

AI大模型开发架构设计(1)——LLM大模型Agent剖析和应用案例实战

LLM Agent 可以理解为一个以 LLM 为大脑的智能体(类比人),集成了规划、记忆、工具使用等能力。当“记忆”非常多时,如何在大量“记忆”力快速找到最相关的那些“记忆”?Auto-GPT 的效果很大程度上归功于它复杂的。工具使用能力-function calling。工具使用能力-HuggingGPT。Auto-GPT 的主要框架设计。CoT任务拆解的缺陷是什么?LLM和传统规划方式结合。Auto-GPT 的输出。LLM + 向量数据库。LLM的记忆是什么?

yangwei2048的博客 5620

基于STM32的RS485土壤氮磷钾与PH传感器数据采集与OLED显示实战(附完整代码)

本文详细介绍了基于STM32单片机通过RS485协议采集土壤氮磷钾与PH传感器数据的实战项目。涵盖硬件选型、连接方法、Modbus-RTU通信协议解析、STM32程序实现及OLED显示,提供完整代码和调试技巧,适用于农业物联网环境监测系统。

kotlin6android的博客 341

AI大模型系详解:基于LLM的Agent架构图解,轻松理解智能体构建!

AI Agent是一种基于大语言模型的智能实体,能够自主感知环境并执行任务。其核心架构包含Profile(角色定义)、Memory(信息存储)、Planning(任务分解)和Action(执行)四大模块。主流架构还包括控制端(Brain)、感知端(Perception)和行动端(Action)的三元框架。多智能体系统中,各Agent分工协作,相比单智能体更高效。典型案例如华为盘古Agent通过结构化推理和强化学习实现跨领域任务处理。研究表明,AI Agent与大模型相互促进,共同拓展AI应用边界。

2401_85375151的博客 1193

16、SQL Server索引的创建与评估

本文详细介绍了SQL Server中索引的创建与评估方法,涵盖索引的基本概念、类型(聚集与非聚集)、唯一性设置以及如何判断索引的好坏。通过实际操作步骤、维护策略和常见问题解决方案,帮助数据库开发者合理设计索引,提升查询性能并控制维护开销。同时提供了索引创建与维护的决策流程图,便于理解和应用。

water的专栏 127

AI大模型基于LLM的Agent架构图解,零基础入门到精通,收藏这篇就够了

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的确定义: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。典型案例有什么?智能核保应用,如果解决方案搭载AI Agent能力,Agent具体工作:1)能自动识别业务需求,调用OCR信息抽取和结构化管理;2)构建核保决策模型;3)联合出保及费率管

Javachichi的博客 1269

修复漏洞Windows 2012 Server R2(CVE-2016-2183)、(CVE-2015-2808)、(CVE-2013-2566)

【代码】修复漏洞Windows 2012 Server R2(CVE-2016-2183)、(CVE-2015-2808)、(CVE-2013-2566)

路~可以走过 2773

JavaSwing_1.1: FlowLayout(流式布局)

FlowLayout,流式布局管理器。按水平方向依次排列放置组件,排满一行,换下一行继续排列。

谢TS的博客 7万+

图解 LLM Agent——从基础到高级概念

要理解 LLM Agent 是什么,我们首先需要探索 LLM 的基本能力。传统上,LLM 做的仅仅是下一个 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 对我们的查询提供更全面的回答。即如果不依赖对话系统将整个对话历史作为上下文传入模型,那么模型就不会记得对话内容。LLM 不擅长的任务还有很多,包括基础的数学运算,如乘法和除法:这是否意味着 LLM不太行?当然不是!LLM 不需要具备所有能力,因为我们可以通过外部工具、记忆和检索系统来弥补其不足。

m0_59163425的博客 1018

使用linuxdeployqt打包Qt程序问题及解决方法

安装过程中提示缺少依赖multiarch-support: 下载对应依赖包。安装过程中提示缺少libpq.so.5: 下载对应依赖包。下载libmysqlclient18/5.6.25。

weixin_74239923的博客 1060

2025大模型新书:图解大模型:生成式 AI 原理与实战(免费分享)

一本让开发者与 AI 从业者翘首以盼的 LLM 入门与实战指南——《图解大模型:生成式 AI 原理与实战》重磅上市!

2301_81940605的博客 3080

TensorRT - 使用自定义层扩展 TensorRT

TensorRT 支持通过自定义插件扩展功能。开发者可以基于 IPluginV3 接口实现插件类,并通过 IPluginCreatorV3One 创建器类注册到 TensorRT 插件注册表。插件实现需要包含核心、构建和运行时三种能力,并通过静态或动态方式注册。最后可使用 addPluginV3() 将插件实例添加到 TensorRT 网络中。这种方法允许在标准层不满足需求时,使用自定义层扩展模型功能。

1149

30.Labview如何读懂别人程序、修改程序?

之前写过一次教大家的文章,这次教大家如何学习别人的程序,和如何搭建一套适合自己的程序框架。这里事先说明一下:要想搭好程序框架,一定要先把自己的系统,逻辑是什么!这非常重要,是决定你程序的关键因素。废话不多扯,直接说重点。

关注我,更多技术问题欢迎私聊~ 2448

图解AI技术核心:Agent/LLM/RAG工作原理全景解析

在人工智能技术快速发展的今天,Agent(智能体)、LLM(大语言模型)和RAG(检索增强生成)已成为构建智能系统的三大核心技术支柱。本文将通过直观的技术架构图,为您全景式解析这三者的协同工作原理:从LLM的基础语言理解与生成能力,到RAG的知识检索增强机制,再到Agent的自主决策与任务编排功能。通过剖析它们的技术实现路径和交互关系,帮助开发者深入理解现代AI系统的核心运行机制,为技术选型和架构设计提供清晰的理论框架。

m0_59162559的博客 1685

7、刚度矩阵与弹簧元素:有限元分析的核心

本文深入探讨了有限元分析中的核心概念——刚度矩阵与弹簧元素。详细介绍了刚度矩阵的定义、构建方法及其对称性、正定性和稀疏性等性质,同时解析了弹簧和阻尼器元素的特性及其在模拟复杂系统中的应用,如液压缸、减震器等。通过结合刚度矩阵与弹簧元素,可以提高结构模型的精度并模拟复杂的工程系统。文章还讨论了优化策略、验证流程、误差分析及实际应用案例,展示了这些技术在桥梁分析、汽车悬挂系统等领域的重要作用,并展望了其在未来新材料、智能结构和数字孪生技术中的发展潜力。

nice1的博客 236

【大模型学习】LLM、RAG、MCP、AI Agent:图文详解

本文系统解析了四大AI核心技术:LLM(大语言模型)、RAG(检索增强生成)、MCP(模型上下文协议)和AI Agent(智能体)。LLM作为基础引擎提供语言能力,RAG通过实时检索解决知识过时问题,MCP确保工具调用的安全性,AI Agent则整合前三者实现自主任务执行。文章通过Mermaid流程图展示了各技术的工作原理和协作关系,并列举了主流应用案例(如GPT-4、通义千问、Microsoft Copilot等),最后以四层架构图揭示技术整合全景,帮助读者建立完整的AI技术认知框架。

wendao76的专栏 2277

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

图解LLM Agent:从入门到精通,真的好清晰!

要理解 LLM Agent 是什么,我们首先需要探索 LLM 的基本能力。传统上,LLM 做的仅仅是下一个 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 对我们的查询提供更全面的回答。LLM 不擅长的任务还有很多,包括基础的数学运算,如乘法和除法:这是否意味着 LLM?当然不是!LLM 不需要具备所有能力,因为我们可以通过外部工具、记忆和检索系统来弥补其不足。通过外部系统,LLM 的能力可以得到增强。Anthropic 将这称为""(

m0_63171455的博客 1543

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

收藏级图解!AI Agent五层架构拆解,小白程序员也能轻松吃透大模型智能体

很多小白和刚入门大模型的程序员,看到“AI Agent”“系统工程”就会望而却步,觉得很难、学不会——但其实,只要吃透上面的五大模块,理解闭环逻辑,从简单的小项目练手,慢慢就能掌握核心方法。真正的AI Agent,不是“堆模型、堆工具”,而是五大模块协同作战的复杂系统。先吃透五大模块的基础逻辑,建立清晰的认知(就像本文讲解的,小白也能看懂);设计清晰的任务边界(比如先练手“找火锅店”“整理文档”等简单任务,再尝试复杂任务);

qq_46094651的博客 1094

大模型系列五:什么是AGENT,大模型入门到精通,收藏这篇就足够了!

Agent现在好多都翻译成“智能体”,可以将其视定义为一种应用程序,试图通过观察世界并利用其工具来实现目标。

2301_81888214的博客 1479

大模型AI Agent技术深度解析:40张图带你彻底搞懂Agent技术(含MCP解析)

AI Agent是任何可以通过传感器感知其环境并通过执行器对环境采取行动的东西。——罗素和诺维格,《人工智能:一种现代方法》(2016 年)•环境—— 代理互动的世界•传感器—— 用于观察环境•执行器—— 用于与环境互动的工具•效应器—— 决定如何从观察到行动的“大脑”或规则这个框架适用于所有与各种环境互动的代理,比如与物理环境互动的机器人或与软件互动的AI Agents。可以稍微扩展这个框架,使其适用于“增强型 LLM”。

2401_85325726的博客 1473

图解AI大模型通识:21张图强化LLM与Agent 理论基础

大模型技术日新月异,新概念层出不穷。初学者就像走进了一个巨大的"技术超市":今天被 Transformer 的"注意力机制"吸引,明天又被 Prompt 的"魔法咒语"迷住,后天 LangChain 又来"拉链式"地串联一切。结果就是——购物车里装满了各种"商品",但回到家后一下子不知道怎么搭配使用。大模型学习过程容易出现知识碎片化、缺乏系统性,难以形成深度理解和持久记忆。更要命的是,大模型发展的速度大于整理文章的速度!

Libra1313的博客 457

图解AI应用架构设计:从LLM到Agent的工程化实践

AI应用架构设计是构建稳定智能系统的核心。LLM作为无状态推理引擎,需通过编排层、记忆层和工具调用实现状态管理与任务执行。Agent架构将LLM从问答机升级为执行器,结合MCP协议标准化工具交互,提升系统扩展性。在智能客服、订单助手等场景中,合理的分层设计能有效降低耦合、优化Token消耗,并支持多Agent协作与可观测性。本文以图解方式拆解AI应用架构,帮助开发者系统掌握从模型层到应用层的工程化落地方法。

weixin_30952479的博客 233
上一篇: 深入解读”阿米巴经营“
下一篇: AI大模型系列之七:Transformer架构讲解
常耀斌
常耀斌 领域专家: 后端开发技术领域 领域专家: 后端开发技术领域
博客等级 码龄8年 1812粉丝 611原创
评论 1
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