the AI Workflow Types note at 2025

最新推荐文章于 2025-04-11 00:15:00 发布
最新推荐文章于 2025-04-11 00:15:00 发布
阅读量895 收藏 5
点赞数 16
文章标签： ai 人工智能 agent
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/adcwa/article/details/146453118
版权

1. Workflow Types Comparison

在这个Agent 元年，没有最好的， 合适自己场景的才是最好的。

rule-based -> AI Workflow(non-agentic)->AI Workflow (agentic)

Agentic Workflow
AI Workflow (non-agentic)
Automated Workflow (rule-based, non-AI)
Make a plan
User query
Execute actions with tools
Reflect on results of actions
Response
Result ok?
Agent
Act on user query
User query
Response
AI model
Defined step 1
User query
...
Defined step n
Response

2. Tool Use Pattern

UI
Agentic workflow
Tool Use
User Query
Response
Results
Generate response
Web Search
Search
Vector Search
Block
Select Tools
Use Tools

3. Planning Pattern

UI
Agentic workflow
Planning
YES
NO
User Query
Response
Make a Plan
Plan
Task 1
Task 2
Task 3
Execute Task
Tools
Results
Is task complete?
Generate response

4. Reflection Pattern

UI
Agentic workflow
Reflection
No
User Query
Response
Final Response
Tools
Execute Task
Results
Generate response
Reflect
Response ok?
Reflected Response

5. Agentic RAG Workflow
Yes
No
Yes
No
User Query
Information available in context?
Formulate answer with info available
Search Tools
Determine user info needs with queries
Re-run search & processing based on determined needs
Information found?
Generate response
Response
LangChain实战：使用 RAG 工作流程进行高效信息检索 Efficient Information Retrieval with RAG Workflow
AI天才研究院
10-22 2282
检索增强生成 (RAG) 是一种与预训练的大型语言模型 (LLM) 和您自己的数据配合使用来生成响应的模式。seq2seq它结合了预训练密集检索和序列到序列模型的强大功能。RAG 模型检索文档，将它们传递给 seq2seq 模型，然后边缘化以生成输出。article在我向您介绍 RAG 理论部分的文章的继续部分，我在这里向您介绍 RAG 在代码中的实现。让我们开始使用 Langchain 和 Hugging Face 来实现 RAG！
A Brief History of Word Embeddings and Their Use in NLP
AI天才研究院
08-05 914
1950年代，英文单词"word embedding"第一次出现在著名的科幻小说“狄更斯的通灵秘笈”中。当时，英语被视作计算机和语言处理领域的主要研究对象，因此，Word Embedding这一术语也被用来描述整个领域中的重要研究成果。1980年代，计算机模型如相似性匹配算法(similarity matching algorithms)或聚类算法(clustering algorithms)开始广泛使用。
人工智能，撰写和设计我的简历Agentic Workflow教程 （适合创业项目）阅读需22分钟左右
2401_85233349的博客
07-18 792
必须找到数据（例如，电子邮件地址出现在 Gregor 的一般沉思中），进行总结（例如，对 Gregor 的博士工作的描述非常详细），提炼并根据相关职位进行定制（例如，哪些技能值得突出），并将所有内容缩减为关于我的一两句友好的句子。在 LLM 之前，不一致的标签导致了许多麻烦，并产生了大量创造性的字符串匹配命令（任何做过包含许多自由文本字段的数据库数据迁移的人都可以证明这一点）。我们正在谈论 20 世纪 90 年代早期的网页美学，闪烁的东西，在最奇怪的地方使用漫画字体，怪异而疯狂的色彩对比。
人工智能ai内容阅读_用人工智能打击非法内容
weixin_26719821的博客
09-16 2048
人工智能ai内容阅读“As the amount of user-generated content that platform users upload, continues to accelerate, it’s become impossible to identify & remove harmful content using traditional human-led mode...
vcenter接管_人工智能接管广告创意
weixin_26632369的博客
08-25 150
vcenter接管Paid performance marketing is a true art, and one has to be experienced enough to make the right assumptions from the start. Usually, no one wants to spend too much money on experimenting, wi...
Note_TinyML for Ubiquitous Edge AI
t765833631的博客
03-08 460
What is TinyML（Tiny machine learning）? enabling deep learning algorithms on embedded (microcontroller powered) devices operating at extremely low power range (mW range and below). what challenges TinyML foucuses on? 1、designing power-efficient 2、compact de
【论文翻译】RT-1: ROBOTICS TRANSFORMER FOR REAL-WORLD CONTROL AT SCALE【未完待续】
溯源的专栏
10-09 1123
这种模型成功的关键在于。
人工智能/数据科学比赛汇总 2019.9
龙哥盟
09-08 5万+
内容来自 DataSciComp，人工智能/数据科学比赛整理平台。 Github：iphysresearch/DataSciComp 本项目由 ApacheCN 强力支持。 微博 | 知乎 | 优快云 | 简书 | OSChina | 博客园 全球数据智能大赛(2019)——“数字人体”赛场一：肺部CT多病种智能诊断 https://tianchi.aliyun.com/competitio...
利用公共无标签数据：基于 Frangi 滤波器的预训练网络用于 3D 脑血管分割 |文献速递-医学影像人工智能进展
weixin_38594676的博客
02-12 709
在医学影像领域，许多技术可用于增强和提取管状结构，包括Gabor滤波器（Aguirre-Ramos et al., 2018）、Kirsch变换（Nath et al., 2020）、血管增强扩散（Manniesing et al., 2006）和Frangi滤波器（Frangi et al., 1998）。我们提出了一种简单而有效的预训练策略，利用 Frangi 滤波器（以其增强血管样结构的能力而闻名），优化无标签数据的利用方式，以提升 3D 脑血管分割的表现。横轴表示预训练过程中使用的无标签数据组成。
人工智能/数据科学比赛汇总 2019.7
龙哥盟
07-13 5万+
内容来自 DataSciComp，人工智能/数据科学比赛整理平台。 Github：iphysresearch/DataSciComp 本项目由 ApacheCN 强力支持。 微博 | 知乎 | 优快云 | 简书 | OSChina | 博客园 Data Science for Good: CareerVillage.org https://www.kaggle.com...
Understanding Convolutional Neural Networks for NLP
AI天才研究院
08-18 939
作者：禅与计算机程序设计艺术 1.简介 Convolutional Neural Network (CNN) has been widely used in Natural Language Processing (NLP) tasks due to its ability to capture com
【trition-server】pytorch 文档：使用 Triton 提供 Torch-TensorRT 模型
突围
07-05 335
Serving a Torch-TensorRT model with Triton
用好ChatGPT之准确分配角色
热门推荐
herosunly的博客
04-06 15万+
本文介绍核心内容为用好ChatGPT之准确分配角色，希望对学习和使用ChatGPT的同学们有所帮助。为了兼顾质量和速度，本专栏的更新频率为一周一到两更。 文章目录 1. 前言 2. 基本概念讲解 3. 实战案例 3.1 案例展示 3.2 范式表示 4. 附录 4. 附录
ModelScope能干什么？
红衣大叔
04-08 401
ModelScope 以“模型即服务”为核心理念，通过开源共享、社区协作和工具链支持，为 AI 开发者提供了高效、灵活、开放的模型服务平台，助力人工智能技术的广泛应用与创新发展。ModelScope 将持续拓展模型库、优化工具链，并深化社区协作，致力于成为全球领先的 AI 模型服务平台，推动人工智能技术的普惠化与可持续发展。是由阿里巴巴达摩院推出的开源模型库和工具集，旨在为开发者提供高效、便捷的机器学习模型和工具，是一个。
当 Ollama 遇上 OpenVINO™ ：解锁多硬件 AI 推理新范式
OpenVINOCC的博客
04-08 448
OpenVINO™ GenAI 为 Ollama-OV 提供了强大的可扩展性和灵活性，支持speculative decoding，Prompt-lookup decoding， pipeline parallel， continuous batching 等 pipeline 优化技术，为未来更多 pipeline serving 优化奠定了坚实基础。Ollama 提供了极简的模型管理工具链，而 OpenVINO™ 则通过 Intel 硬件（CPU/GPU/NPU）为模型推理提供了高效的加速能力。
DeepSeek 工业应用领域解决方案
weixin_62200515的博客
04-08 1079
DeepSeek 在工业领域的应用已经取得了显著的成果，通过设备故障诊断、生产流程优化、供应链管理等多方面的智能化解决方案，帮助企业提升了生产效率、降低了成本、提高了产品质量和市场竞争力。同时，DeepSeek 的低代码开发平台和灵活的部署方式也为企业的数字化转型提供了强大的支持。
【论文精读与实现】EDC²-RAG:基于动态聚类的文档压缩方法提升检索增强生成RAG性能
最新发布
AI人工智能的学习之路
04-11 77
首次系统性地处理RAG中的文档关系建模问题提出计算高效的动态聚类方案验证了压缩技术对长上下文处理的增益依赖GPT-3.5的压缩能力高冗余场景下的计算成本线性增长缺乏对跨语言场景的验证这项研究为RAG系统的优化提供了新思路，其核心思想也可应用于其他信息检索场景，值得算法工程师深入理解和实践。
【AIGC】零样本学习方法综述(TPAMI 2023 研究综述)
qq_45752541的博客
04-07 1344
广义零样本学习 ，即 Generalized Zero-Shot Learning（GZSL）的目的是在监督学习过程中某些输出类未知的条件下，训练一个模型来对数据样本进行分类；GZSL利用已看到（源）和看不见（目标）类的语义信息来弥补看见类和看不见类之间的差距。自其引入以来，许多GZSL模型已经被制定出来。在这篇综述论文中，我们对GZSL进行了全面的综述。首先，提供了一个GZSL的概述，包括问题和挑战。然后，我们引入了GZSL方法的分类，并讨论了每个类别中的代表性方法。此外，
如何防止金融行业公司敏感数据泄漏
jinan886的博客
04-10 602
防止金融行业公司敏感数据泄漏需要采取多层次、全方位的安全策略，结合技术、管理和人员培训等措施。
AI workflow
02-25
### AI 工作流程设计与实现 #### 定义AI工作流的概念 工作流是一组有序的、可执行的任务序列[^2]。对于AI代理工作流而言，这表示由多个AI组件构成的一系列操作，旨在自动化并优化复杂的数据处理和决策制定过程。 #### 设计原则 在规划AI工作流时，需考虑几个核心要素： - **模块化**：将整个项目分解成独立的功能单元，便于维护和发展。 - **灵活性**：支持不同类型的输入源以及输出目标之间的转换。 - **扩展性**：允许轻松集成新的技术和方法论改进。 - **性能优化**：通过调整参数设置来提高效率和效果。 #### 实施步骤概述 虽然不使用具体步骤词汇描述，但在创建AI工作流的过程中涉及以下几个方面的工作： 定义清晰的目标和预期成果；选择合适的编程语言如Python进行开发[^3]； 利用先进的库和技术栈加速模型训练周期； 部署高效的基础设施支撑大规模数据分析需求； 持续监控运行状态并对潜在瓶颈做出响应。 ```python from pyspark import SparkContext, SQLContext sc = SparkContext('local') sql_context = SQLContext(sc) data = sql_context.read.format('com.databricks.spark.csv').options(header='true', inferschema='true').load('file_path') # 数据预处理... prepared_data = data.select(...) # 训练机器学习模型... model = some_algorithm.fit(prepared_data) predictions = model.transform(test_set) ``` 上述代码片段展示了如何基于Apache Spark框架读取CSV文件作为数据集，并对其进行初步准备以便后续分析或建模活动。
评论
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