The Rise and Potential of Large Language Model Based Agents: A Survey

828 篇文章

已下架不支持订阅

本文深入探讨了基于大型语言模型(LLM)的智能代理,阐述了它们在实现人工智能目标中的潜力。从哲学起源到现代发展,LLM被视为通用人工智能的重要基础。文章提出了一种包含大脑、感知和行动的代理概念框架,并讨论了单代理、多代理和社会性代理的应用,同时触及了代理社会行为、风险和未来挑战。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

本文是LLM系列文章,针对《The Rise and Potential of Large Language Model Based Agents:A Survey》的翻译。

摘要

长期以来,人类一直在追求与人类水平相当或超过人类水平的人工智能,人工智能代理被认为是实现这一目标的一种很有前途的工具。人工智能代理是感知环境、做出决策和采取行动的人工实体。自20世纪中期以来,人们已经做出了许多努力来开发智能人工智能代理。然而,这些努力主要集中在算法或训练策略方面的进步,以增强特定任务的特定能力或性能。事实上,社区缺乏一个足够通用和强大的模型,作为设计能够适应不同场景的人工智能代理的起点。由于大型语言模型(LLM)所展示的多功能和卓越的能力,它们被视为通用人工智能(AGI)的潜在火花,为构建通用人工智能代理提供了希望。许多研究工作都利用LLM作为构建人工智能代理的基础,并取得了重大进展。我们首先追溯了智能体的概念,从它的哲学起源到它在人工智能中的发展,并解释了为什么LLM是人工智能智能体的合适基础。在此基础上,我们提出了一个基于LLM的代理的概念框架,包括三个主要组成部分:大脑、感知和行动,该框架可以根据不同的应用进行定制。随后,我们从单智能体场景、多智能体场景和人机协同三个方面探讨了基于LLM的智能体的广泛应用。接下来,我们深入研究代理人社会,探索基于LLM的代理人的行为和个性,他们形成社会时出现的社会现象,以及他们为人类社会提供的见解。最后,我们讨论了该领域内的一系列关键主题和悬而未决的问题。

1 引言

2 背景

</

### ChatBI 大型语言模型概述 ChatBI 是一种基于大型语言模型(LLM)的技术框架,旨在通过自然语言交互完成商业智能分析任务。它依赖于 Text2SQL 技术将用户的自然语言查询转化为 SQL 查询语句,从而实现对数据库的访问和数据分析功能[^1]。 #### 数据准备与处理 在构建 ChatBI 的过程中,数据准备是非常重要的环节之一。通常情况下,用户需要提供大规模的 SQL 查询数据集作为训练素材,例如 Spider 数据集。这些数据会被进一步清洗、格式化以及预处理,以适配后续的语言建模需求[^3]。 #### 基础架构设计 为了支持复杂的业务场景,ChatBI 架构中包含了多个核心组件: - **基础大语言模型加载器 (Base LLMs Loader)**:负责引入并初始化预先训练好的通用型或领域特定的大规模参数量神经网络模型。 - **自定义微调模块**:允许开发者针对具体应用场景调整预训练权重,使其更贴合实际使用的环境条件。 - **推理服务接口层**:对外暴露 RESTful 或 GraphQL 风格的服务端点供客户端调用,接收输入请求并将结果返回给前端展示界面。 #### 开发资源获取途径 对于希望深入了解甚至开发自己的 ChatBI 解决方案的研究人员和技术爱好者来说,可以从以下几个方面入手寻找资料: 1. 官方文档:许多开源项目都提供了详尽的安装指南、配置说明以及最佳实践案例研究等内容; 2. 学术论文:像《The Rise and Potential of Large Language Model Based Agents: A Survey》这样的综述类文章可以帮助快速把握当前领域的前沿动态和发展趋势[^2]; 3. 社区讨论论坛:参与 GitHub Issues 跟踪进度更新或是 Stack Overflow 提问解答疑惑都是不错的选择; 4. 实验工具包下载链接地址往往也会随同上述渠道一同公布出来便于测试验证假设理论正确与否. 以下是 Python 中简单的 Text2SQL 示例代码片段: ```python from transformers import pipeline nlp = pipeline('text2sql', model='facebook/bart-large') query = "What is the total number of employees?" result = nlp(query) print(result) ``` 此脚本利用 Hugging Face Transformers 库中的 `pipeline` 方法实例化了一个名为 'text2sql' 的管道对象,并指定采用 Facebook 发布的 BART-Large 版本来执行具体的转换操作。 ---
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

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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