DeepAgent: A General Reasoning Agent with Scalable Toolsets

最新推荐文章于 2025-11-24 16:27:57 发布
最新推荐文章于 2025-11-24 16:27:57 发布
阅读量55 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： LLM Daily LLM Agent Causal and Reasoning 文章标签： 自然语言处理 语言模型 人工智能
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/c_cpp_csharp/article/details/154117302

在这里插入图片描述
在这里插入图片描述

一、论文主要内容总结

1. 核心背景

现有大语言模型驱动的代理存在局限性：依赖预定义工作流、无法动态发现工具、长程交互中记忆管理不足、推理连贯性欠缺，难以适配真实世界复杂任务和大规模工具集。

2. 核心方案：DeepAgent 框架
  • 定位：端到端深度推理代理，将思考、工具发现、动作执行整合为统一推理过程，支持任意规模工具集的动态适配。
  • 核心组件：
    1. 自主工具搜索与调用：通过自然语言查询动态检索工具，结构化调用并处理反馈；
    2. 自主记忆折叠机制：将交互历史压缩为情景记忆（长期任务进展）、工作记忆（短期状态）、工具记忆（使用经验），避免上下文爆炸和错误路径锁定；
    3. ToolPO 强化学习训练：基于 LLM 模拟 API 保障训练稳定性，通过细粒度优势归因（任务级+工具调用级）优化学习信号。
  • 实验验证：在 8 个基准测试（通用
了解本专栏 订阅专栏 解锁全文 超级会员免费看
DeepAgent：工具检索、工具调用与思维折叠的统一智能体框架深度解析
AI人工智能的学习之路
11-04 994
摘要 DeepAgent 提出了一种端到端的深度推理智能体框架，通过统一推理流程解决复杂任务中的工具检索、调用与错误累积问题。其核心创新包括： 自主记忆折叠机制：将冗长推理历史压缩为结构化记忆（情景记忆、工作记忆、工具记忆），优化上下文管理； 统一工具使用范式：动态检索并调用工具，支持开放式任务场景； ToolPO 强化学习训练：通过细粒度回报信号提升工具调用准确性。 实验表明，该框架在多任务场景中显著提升成功率并降低计算开销，适用于企业级智能体部署。技术实现通过特殊标记（如FOLD_THOUGHT）控制推
DeepAgent：开启通用推理智能体新纪元，实现规模化工具集自主调用
PAN_Andy的博客
11-18 245
近年来，大型语言模型（LLMs）的飞速发展催生了基于LLM的智能体系统，这些系统在网络信息检索、软件工程和个人助理等场景中展现出广泛的应用前景。然而，现有的智能体框架大多依赖于预定义的工作流程，如ReAct和Plan-and-Solve等方法，这些方法在处理复杂现实任务时存在显著局限性。DeepAgent作为一种端到端的深度推理智能体，通过统一的推理过程实现自主思考、工具发现和行动执行，为解决这些挑战提供了全新方案。
陌生单词-专业英语代码编码符号1
kyle1314608的博客
06-02 3517
benchmark: 基准 general domain 一般范畴 suffer from 遭受 domain-specific 指定领域 修饰词放在后面 短横线的应用 derive 获得 retrieve 检索 complementary 辅助性的 effectiveness 效力 efficiency 效率 instantiate 举例说明 is referred to 是指 a...
论文泛读【FiLM: Visual Reasoning with a General Conditioning Layer】
hei_hei_hei_的博客
07-01 2621
论文泛读【FiLM: Visual Reasoning with a General Conditioning Layer】
STaR: Bootstrapping Reasoning With Reasoning
qq_41200212的博客
09-22 1557
生成逐步的“思维链”逻辑依据（rationale）可以提高语言模型在数学或常识问答等复杂推理任务上的性能。然而，诱导语言模型进行逻辑依据生成需要构建大量逻辑依据数据集，或者仅使用few-shot推理来牺牲准确性。本文提出了一种技术来迭代地利用少量的逻辑依据示例和没有逻辑依据的大型数据集，以引导连续执行更复杂的推理的能力。这种技术称为“自学推理机”（STaR）：生成回答许多问题的逻辑依据，并用一些逻辑依据示例进行提示；如果生成的答案是错误的，在给出正确答案的情况下再次尝试生成理由，并利用上述数据进行微调。
Reasoning with Language Model Prompting: A Survey
weixin_74095289的博客
05-27 819
推理作为解决复杂问题的必备能力，可以为各种现实应用提供后端支持，例如医疗诊断、谈判等。本文全面综述了语言模型推理的前沿研究提示。我们通过比较和总结来介绍研究工作，并提供系统资源来帮助初学者。我们还讨论了出现这种推理能力的潜在原因，并强调了未来的研究方向给定推理问题 Q、提示 T 和参数化概率模型PLM​，我们的目标是最大化答案 A 的可能性：其中ai​和∣A∣分别表示第 i 个标记和最终答案的长度。对于few-shot来说对于COT思维链来说。
MonoGRNet: A Geometric Reasoning Network for Monocular 3D Object Localization
abrams90的专栏
08-05 2586
Abstract 利用RGB单张图片在真实3D场景进行目标定位由于图像投影过程几何信息的丢失变得相当困难，而这个工作在场景理解中有相当重要的作用。我们提出了通过观察到的2D投影与未观察到的深度维度进行几何推理，用于单目RGB图像三维定位的MonoGRNet算法。MonoGRNet是一个由四个特定子任务网络组成的单一统一的网络结构，四个子任务分别是2D目标检测，实例深度估计（IDE），3D定位与本...
MAC-SQL: A Multi-Agent Collaborative Framework for Text-to-SQL 论文阅读
AI前沿技术的分享！
08-06 1682
MAC-SQL: A Multi-Agent Collaborative Framework for Text-to-SQL，作者们来自北京航空航天大学和腾讯优图实验室。摘要中提到，基于大型语言模型（LLM）的Text-to-SQL方法在处理大型数据库和需要多步推理的复杂用户问题时，通常会遭受显著的性能下降。此外，大多数现有方法忽略了LLM利用外部工具和模型协作的重要性。
走向通用智能的大语言模型：具身、符号落地、因果与记忆的统一认知视角
nmdbbzcl的博客
11-23 999
如果真要靠大语言模型（LLM）走向人工通用智能（AGI），缺的到底是什么？arXiv作者的态度很明确：今天的多模态大模型已经很强，但“聪明得很表面”，距离真正的“通用智能”还差一大截。
NLP基础(十)_词向量
weixin_48870215的博客
11-23 698
NLP基础(十)_词向量
PaLM：Pathways 驱动的大规模语言模型 scaling 实践
m0_65010824的博客
11-24 528
本文是对论文《PaLM: Scaling Language Modeling with Pathways》的深度解读。在大模型研究领域，如何实现高效规模化训练并解锁复杂任务能力，是核心挑战。Google Research 团队提出的 PaLM 模型，以 5400 亿参数稠密 Transformer 为基础，借助 Pathways 系统实现跨 TPU Pod 高效训练，在少样本推理、代码生成等任务中刷新 SOTA，为大模型规模化研究提供关键参考。
InstructBLIP：面向通用视觉语言模型的指令微调技术解析
最新发布
m0_65010824的博客
11-24 445
本文是对论文《InstructBLIP: Towards General-purpose Vision-Language Models with Instruction Tuning》的深度解读。在多模态领域，如何构建具备通用指令遵循能力的视觉语言模型，是亟待解决的关键挑战。Salesforce Research 等团队提出 InstructBLIP 框架，通过指令感知 Q-Former 与平衡数据集采样策略，实现了多样化视觉语言任务的高效泛化，显著提升零样本与下游微调性能，为通用多模态模型研发提供范式。
【论文笔记】大型语言模型的知识蒸馏与数据集蒸馏
xian0710830114的专栏
11-24 2161
我们来看一篇关于大型语言模型的知识蒸馏与数据集蒸馏的综述
NLP基础(九)_N-gram模型
weixin_48870215的博客
11-22 480
NLP基础(九)_N-gram模型
MySQL自然语言处理应用
2509_93942886的博客
11-22 319
总的来说，虽然MySQL不是专业的自然语言处理工具，但它提供的文本处理功能已经能够解决很多实际业务中的文本分析需求。对于大多数中小型项目来说，充分利用数据库层的文本处理能力，往往能在保证功能实现的同时获得更好的性能表现。最近在优化某个电商平台的订单系统时，我就遇到了这样的需求：要从用户填写的非结构化地址信息中自动提取区县级地名。在实践中我发现几个值得注意的地方：首先，MySQL的文本处理功能虽然方便，但不适合处理海量文本数据，那种情况还是应该用专门的文本搜索引擎。字符串处理：基础中的基础。
2.7 Transformer与大语言模型：从自注意力到ChatGPT
yonggeit的博客
11-23 73
摘要 本文深入探讨了Transformer架构与大语言模型的核心技术。首先介绍了2017年提出的Transformer架构，它基于自注意力机制，摒弃了传统循环和卷积结构。重点解析了自注意力机制的计算公式(Attention(Q,K,V)=softmax(QK^T/√d_k)V)及其Python实现，包括缩放点积注意力的计算过程。随后介绍了多头注意力机制，展示了如何在多个表示子空间中并行处理信息。文章通过可视化代码示例演示了注意力权重的计算和应用，为理解现代大语言模型(如BERT、GPT)奠定了基础。这些技术
EAGLE-2：通过动态草稿树加速语言模型推理
11-24 16
现代 Large Language Models（LLMs）的推理过程既昂贵又耗时，而 speculative sampling 已被证明是一种有效的解决方案。大多数 speculative sampling 方法（例如 EAGLE）使用静态的 draft tree，并默认 draft token 的接受率仅依赖于其位置。有趣的是，我们发现 draft token 的接受率也依赖于上下文。本文在 EAGLE 的基础上提出了，该方法引入了一种新的技术用于 draft 建模。
python实现AI中自然语言处理
mygctong的博客
11-21 948
文章摘要：本文以教“外星大脑”理解人类语言为例，形象地拆解了AI处理自然语言的四个关键步骤：分词、词性标注、句法分析和语义理解。重点阐释了现代AI通过词向量（如Word2Vec）将词语转化为数字表示，利用神经网络捕捉语义关系的核心原理。通过Python代码演示了中文分词和简易词向量训练过程，展示了词语在向量空间中的相似性计算和类比推理能力。全文生动说明了AI如何将人类语言转化为数学表达来实现语义理解。（149字）
量化大型语言模型的评估
11-24 21
后训练量化（PTQ）作为一种有前景的技术，能够有效降低大型语言模型（LLMs）的计算成本。具体来说，PTQ可以显著减少LLMs的内存消耗和计算开销。为了在多样化场景下兼顾高效性和性能，全面评估量化后的LLMs显得尤为重要，以指导量化方法的选择。
SAViR-T: Spatially Attentive Visual Reasoning with Transformers
05-08
好的，用户现在想了解SAViR-T模型，也就是“Spatially Attentive Visual Reasoning with Transformers”的实现和应用，特别是在视觉推理领域。首先，我需要明确用户的问题，然后结合提供的引用内容来构建回答。 ...
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

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