omonday1234的专栏

Plan-and-Execute这个方法的本质是先计划再执行，即先把用户的问题分解成一个个的子任务，然后再执行各个子任务，并根据执行情况调整计划。：根据任务复杂度选择框架，简单任务推荐ReAct，多步骤复杂任务优先Plan and Execute。：当遇到需要处理超过3个步骤的复杂任务时，Plan and Execute的架构优势将显著体现。Plan-and-Execute的实现过程。

记忆（Memory）模块负责存储信息，包括过去的交互、学习到的知识，甚至是临时的任务信息。对于一个智能体来说，有效的记忆机制能够保障它在面对新的或复杂的情况时，调用以往的经验和知识。例如，一个具备记忆功能的聊天机器人可以记住用户的偏好或先前的对话内容，从而提供更个性化和连贯的交流体验。它分为短期记忆和长期记忆：a. 短期记忆，所有的上下文学习都是利用短期记忆来学习；b. 长期记忆，这为智能体提供了长时间保留和回忆。

记忆（Memory）模块负责存储信息，包括过去的交互、学习到的知识，甚至是临时的任务信息。对于一个智能体来说，有效的记忆机制能够保障它在面对新的或复杂的情况时，调用以往的经验和知识。例如，一个具备记忆功能的聊天机器人可以记住用户的偏好或先前的对话内容，从而提供更个性化和连贯的交流体验。它分为短期记忆和长期记忆：a. 短期记忆，所有的上下文学习都是利用短期记忆来学习；b. 长期记忆，这为智能体提供了长时间保留和回忆。

Tree of Thought Prompting（思维树提示） 是一种新兴的提示工程技术，旨在通过模拟人类解决问题时的多步推理过程，提升大型语言模型（LLM）在复杂任务中的表现。与传统的线性提示方法不同，思维树提示将问题分解为多个可能的推理路径，并以树状结构探索这些路径，从而找到最优解或生成更高质量的结果。分步骤推理：将复杂问题分解为多个中间步骤。分支探索：在每个步骤中，生成多个可能的解决方案或思路。评估与选择：对不同的分支进行评估，选择最有希望的路径继续探索。

Self-Ask框架的原理‌是通过将复杂任务分解成一系列简单的子任务，并通过自问自答的方式逐步完成任务。这种方法类似于软件架构中的分层设计模式，通过递归和分治算法的思想，将复杂推理转化为可追踪的线性执行路径‌。Self-Ask框架在处理复杂、多步骤的任务时表现出色，能够提升大语言模型的灵活性和适应性。通过逐步解答问题，模型能够更好地应对复杂任务和个性化需求，同时提高模型的可解释性。此外，Self-Ask框架还可以与外部工具结合，获取最新信息，进一步增强其推理能力‌。

美的构建的物联网智能家电控制系统堪称 Agent 人工智能在家庭生活中的典范应用。通过整合各类家电设备，如空调、冰箱、洗衣机等，人工智能 Agent 能够依据用户的日常习惯、实时环境数据以及预设偏好，自动调节家电运行状态。例如，炎炎夏日，当用户快到家时，智能系统依据定位信息，提前启动空调制冷，将室内温度调节至舒适区间；智能冰箱可实时监测食材库存，当某种食材快耗尽时，自动下单购买。这一系统不仅极大提升了生活便利性，还实现了能源的高效利用，让家庭生活更智能、舒适与节能。

中国人工智能学会认为 AI Agent 是 “具有感知、思维、决策、执行等能力，能够在一定环境中自主运行并完成给定任务的智能实体”。该定义进一步细化了 AI Agent 的能力构成，突出了思维与决策环节的重要性。与传统程序相比，AI Agent 的自主性体现在它能够根据环境变化自主做出决策，而非完全依赖预设指令；反应性使其能够及时对环境刺激做出响应；能动性则表现在它能够主动采取行动以达成目标，而不是被动等待外部触发。

ChatGPT的核心工作原理其实很像我们小时候玩的"文字接龙"游戏。它通过预测"下一个最合理的词"来生成连贯的回答。大模型应用生态是一个自下而上的分层架构，从基础模型到最终应用形成了完整的技术栈。这就是为什么它能回答问题、写文章、解释概念，因为它学习了大量文本中词与词之间的关系模式。提示：建议开发者重点关注【垂直领域知识增强】与【多模态交互】方向的创新机会。这些层级之间相互依赖又相互促进，共同构成了大模型应用的完整生态。第二步：学习过程，大量练习。第三步：训练，反复修正。

确定目标。在进行开发前，我们首先需要确定开发的目标，即要开发的应用的应用场景、目标人群、核心价值。对于个体开发者或小型开发团队而言，一般应先设定最小化目标，从构建一个 MVP（最小可行性产品）开始，逐步进行完善和优化。设计功能。在确定开发目标后，需要设计本应用所要提供的功能，以及每一个功能的大体实现逻辑。虽然我们通过使用大模型来简化了业务逻辑的拆解，但是越清晰、深入的业务逻辑理解往往也能带来更好的 Prompt 效果。

人工智能大模型的一个显著特点就是其庞大的参数量。参数量是指模型中所有可训练参数的总和，通常决定了模型的容量和学习能力。随着大模型参数量的增加，它能够捕捉更多的特征和更复杂的模式，因此在处理复杂数据和学习高维度的关系时具有更高的表现力。例如，OpenAI的GPT-3模型拥有约1750亿个参数，使得它能够生成自然流畅的文本，并在多种自然语言处理任务中表现出色。

监督微调（SFT）通过使用特定任务的数据集对预训练模型进行进一步训练，从而优化模型在该任务上的性能。这种方法在自然语言处理领域有广泛的应用，如文本分类、问答系统和对话生成等。通过结合预训练和微调，SFT能够在较少的数据和计算资源下实现高效的模型性能提升。SFT (Supervised Fine-Tuning): 有监督的微调，使用正常的 instruction following 或者对话的样本，来训练模型的基础对话、听从 prompt 的能力；

fill:#333;color:#333;color:#333;fill:none;大模型认知体系发展历程核心原理应用场景AI发展三阶段弱人工智能强人工智能超人工智能机器学习监督学习无监督学习强化学习行业应用医疗问答智能客服教育助教。

0, 1, 0, 0, 0] # 你[1, 0, 0, 0, 0] # 鲨鱼[0, 0, 1, 0, 0] # 爱这种表示法无法体现语义关联。# 分布式表示示例你 → [0.21, -0.45, 0.87]鲨鱼 → [0.19, -0.44, 0.90] # 与你语义相近爱 → [0.80, 0.10, -0.60]

指标提升效果分拣效率+45%错误率-82%人力成本-60%采用NMS-Free设计，推理速度提升30%支持INT8量化，模型体积缩小4倍自适应多尺度检测，小目标AP提升15%关注公众号「AI技术派」，回复「快递检测」获取完整项目代码#YOLOv10 #目标检测 #工业视觉 #人工智能 #Python> **注意事项：**> 1. 实际部署时需根据摄像头参数调整`imgsz`参数> 2. 建议使用工业相机保证图像采集质量> 3. 异常检测模块需结合实际业务逻辑开发。

深度学习就像给电脑这样的"电子宝宝"看海量图片，让它自己总结规律。回忆初中数学：已知y=2x+1，当x=3时，导数就是2（表示x变化1，y变化2）。报错提示"不是内部命令"：把Python安装目录（如C:\Python37\Scripts）添加到系统环境变量。算法菜谱：2012年发明的"AlexNet"算法，让图片识别错误率从26%暴跌到15%处理方法：data = (data - data.mean())/data.std()下载安装包：Python官网下最新的3.7版本（就像挑西瓜要选新鲜的）

【代码】大模型提示词工程深度解析：从基础到高阶技巧。

Agent=LLM核心+记忆系统+规划模块+工具集规划 Planning。

本文基于 2024 年 3 月 9 日最新代码版本解析，完整代码已上传至 GitHub（附项目地址https://github.com/mannaandpoem/OpenManus）

机器人已经进入大家的视野，现在无论是到商场管家，有些大型商场已经有机器人做引路，还是给你打电话卖保险、卖房子的各种销售电话，都有可能是机器人，而不是真人，知识通过声音，现在已经可以做到让你分不清是真人还是机器人，科技进度，如此之大，最近在研究文字机器人，已经在企业层面上得到应用，可以看下他的组成部分。 由于是NLP能力，那么可以做的事情......