Agent框架标准化趋势及OpenManus-RL增强Agent规划能力训练框架

先说一个文档解析的怪事儿,word解析,应该老老实实解析底层xml,转pdf再解析(有很多现成的工具库了),绕了大圈,效果还不保证,例如表格,除非里面是贴的图片这个时候则单独做解析即可。

另外,我们继续来看看Agent的一些事,两方面,一个是标准化设施建设,一个是工具调用规划能力训练框架,这都是基建层面的事儿,可以跟进

一、Agent标准化设施几再思考

关于agent,OpenAI 放出来新的agent 开发套件,https://openai.com/index/new-tools-for-building-agents/,其实就是 Responses API,简化智能体开发的核心工具。

例如,Responses API采用了统一的基于项目的结构,简化了多态性处理,使得开发者在处理不同类型的数据和响应时更加方便,提供了直观的流式事件处理机制,让开发者可以更轻松地处理和响应模型的实时输出。引入了如response.output_text等 SDK 辅助工具,方便开发者快速获取模型的文本输出。

img

上述代码就是一个例子,agent中可以封装另一个agent,再包一层。

这其实说明了一个问题,那就是agent这块框架在往标准化走。

事实上,工程、工具使用会日趋标准化跟完善化的。比如MCP,MCP虽然没啥新意,但成为事实标准的希望很大,因为事实上需要这个东西,它可以作为Agent能力的一个扩展坞,增强工具调用这些的能力广度。mcp目前最大的问题还是鉴权这块功能基本没有 不过社区很多人提了,估计官方很快会加。

但是呢,出现那么多Agent工具框架,是否也会走向大一统呢? 是否都会受到冲击呢?,例如https://github.com/WangRongsheng/awesome-LLM-resourses中做的agent工具的归类,长达30个。

img

当然,我们会进一步去想,这两年模型基础能力和工具都攒了很多,现在随着基座能力的变强,如何规范化地使用这些工具其实也需要提上日程。

在这里,说下一个有趣的点,有个朋友提到LLM+workflow!=Agent,这个是认同的,agent最本真的,必定是自主的而不是一套规则系统。但是呢,这是未来趋势,不是现实。

那么为什么会出现现在的LLM+workflow==Agent这样的局面,是因为一开始要通用,然后做着做着发现没法通用,然后就只能workflow应付了,这其实归根结底还是需求认识不够导致。但现在回过头来看,又起来agent,讲真正的agent。是因为后期的包装很漂亮,视觉冲击有了一些,又燃起了一起兴趣。

当然,这又是一次迭代升级,至少从技术上来说,很令人振奋。

二、OpenManus-RL增强Agent的规划能力框架

增强agent的规划能力是个有趣的话题,如何去实现,最直接的方式就是强化学习,所以可以看,OpenManus-RL,LLM Agents开发的强化学习微调开源项目: https://github.com/OpenManus/OpenManus-RL,

img

可以看看采用的方案实现路径

img

数据数据的合成上,可以使用如下方式

思维树(ToT),基于树的推理路径,使代理能够系统地探索分支可能性;

思维图(GoT),利用图结构有效表示复杂的推理依赖关系;

深度优先搜索决策树(DFSDT),通过深度优先搜索优化动作选择,增强长时规划;

蒙特卡洛树搜索(MCTS),概率地探索推理和决策路径,有效平衡探索和利用。

推理数据样本上,有几种推理输出格式。

ReAct,明确集成推理和行动,鼓励结构化决策;基于结果的推理,优化明确的预期结果预测,推动目标对齐。

数据集也有一些开源的,包括:

img

例如,

Agent-FLAN,地址在:https://huggingface.co/datasets/internlm/Agent-FLAN

img

AgentInstruct,地址在:https://huggingface.co/datasets/THUDM/AgentInstruct

img

基座模型的选型上,可以使用GPT-O,Deepseek-R1,QWQ-32B。

后训练策略上,可以分为多种路径:

监督微调(SFT),使用人类注释的指令初始化推理能力;

基于广义奖励的策略优化(GRPO):基于格式的奖励:奖励遵循指定推理结构的程度,基于结果的奖励:奖励准确的任务完成和目标达成。

近端策略优化(PPO):通过近端更新增强代理稳定性。

直接偏好优化(DPO):利用明确的人类偏好直接优化代理输出。

基于偏好的奖励建模(PRM):使用从人类偏好数据中学习到的奖励函数。

基于这些数据,可以训练agent奖励模型。这个项目提供的是一套框架,但具体应该如何实现,核心还是怎么做符合特定场景的agent工具。

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。

在这里插入图片描述

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。

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

在这里插入图片描述

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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