智能体介绍
智能体(Agent)是人工智能(AI)和计算机科学中的一个核心概念,它指的是能够在特定环境中自主执行任务或作出决策的实体。智能体可以是软件形式,如聊天机器人、推荐系统、游戏中的角色等;也可以是硬件形式,如自动驾驶汽车、服务机器人等。以下是智能体的几个关键特点:
-
自主性(Autonomy): 智能体能够在没有直接外部干预的情况下控制其自身行为和内部状态。它们可以独立地操作,并对自己的行为做出决策。
-
社会能力(Social Ability): 智能体能够与其他智能体(包括人类)交互和沟通。它们可以理解其他智能体的意图,并在多智能体系统中协同工作。
-
反应性(Reactivity): 智能体能够感知其环境并对环境变化做出快速反应。它们可以根据传感器输入或外部事件来调整自己的行为。
-
主动性(Pro-activeness): 智能体不仅能够响应环境,还能够主动采取行动以实现其设计目标。这意味着智能体能够预测未来事件并采取预防措施。
-
智能性(Intelligence): 智能体能够使用人工智能技术,如机器学习、自然语言处理、计算机视觉等,来提高其决策和问题解决的能力。
智能体的应用非常广泛,包括但不限于:
-
个人助理
:如智能手机上的语音助手,可以帮助用户设置提醒、搜索信息等。
-
客户服务
:在线客服机器人,可以自动回答用户的常见问题。
-
智能家居
:控制家庭设备的智能系统,如智能恒温器、智能灯泡等。
-
工业自动化
:在生产线上执行特定任务的机器人。
-
医疗辅助
:辅助医生进行诊断和治疗的智能系统。
-
金融服务
:进行交易、风险评估和欺诈检测的智能算法。
智能体的发展是人工智能领域的一个重要方向,它们正在变得越来越复杂和智能,能够在各种环境中执行越来越复杂的任务。
智能体框架
智能体框架是构建智能体系统的关键技术,它们提供了开发、部署和运行智能体的基础设施和工具。以下是一些主流的智能体框架及其特点
单智能体框架
- BabyAGI
-
简介:作为早期agent的实践,babyagi框架简单实用,里面的任务优先级排序模块是一个比较独特的feature。
-
Git仓库地址:https://github.com/yoheinakajima/babyagi
多智能体框架
- AutoGen(微软)
-
简介:AutoGen由微软推出,包含用户智能体和助手智能体两个核心角色。用户智能体负责提出编程需求或编写提示词,助手智能体则负责生成和执行代码。该框架擅长于代码任务的多智能体编排,同时也具备处理其他类型任务的能力。
-
Git仓库地址:https://github.com/microsoft/autogen
- CrewAI
-
简介:CrewAI是一个直观、易于配置的工具,用于快速搭建Multi-AI Agent任务演示。它允许创建新智能体并将其融入系统,操作简单,即使是非技术背景的用户也能轻松上手。
-
Git仓库地址:https://github.com/crewAIInc/crewAI
- LangGraph
-
简介:用于构建具有状态和多角色应用程序的库,主要用于创建智能体和多智能体工作流。
-
Git仓库地址:https://github.com/langchain-ai/langgraph
- Magentic-One
-
简介:微软推出的高性能通用智能体系统,采用多智能体架构。
-
Git仓库地址:https://github.com/microsoft/autogen/tree/main/python/packages/autogen-magentic-one
- MetaGPT
-
简介:以一行需求作为输入,输出用户故事/竞争分析/需求/数据结构/API/文档等。MetaGPT是一个创新框架,它将人类工作流程作为元编程方法整合到基于LLM的多智能体协作中。该框架使用标准化操作程序(SOP)编码为提示,要求模块化输出,以增强代理的领域专业知识并减少错误。实验表明,MetaGPT在协作软件工程基准上生成了更连贯和正确的解决方案,展示了将人类知识整合进多智能体系统的潜力。
-
Git仓库地址:https://github.com/geekan/MetaGPT
- AgentScope
-
简介:阿里开源的Multi-agent框架,支持分布式框架,并且做了工程链路上的优化及监控。
-
Git仓库地址:https://github.com/modelscope/agentscope
- 斯坦福虚拟小镇
-
简介:虚拟小镇作为早期的multi-agent项目,很多设计也影响到了其他multi-agent框架,里面的反思和记忆检索feature比较有意思,模拟人类的思考方式。
-
Git地址:https://github.com/joonspk-research/generative_agents
这些框架代表了智能体技术的不同方向和应用,从软件开发到工作流自动化,再到多智能体协作,它们为智能体的开发和应用提供了强大的支持。开发者可以根据自己的需求选择合适的框架来构建特定的智能体应用。
总结
Agent的核心逻辑是让LLM根据动态变化的环境信息,选择执行具体的行动,并反过来影响环境,通过多轮迭代重复执行上述步骤,直到完成目标。总结就是:感知§ — 规划§ — 行动(A),智能体在工程实现上可以拆分出四大块核心模块:推理、记忆、工具、行动
单智能体= 大语言模型(LLM) + 观察(obs) + 思考(thought) + 行动(act) + 记忆(mem)
多智能体=智能体 + 环境 + SOP + 评审 + 通信 + 成本
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。