提升LLM能力表现的四种AI代理策略

Gartner《Emerging Patterns for Building LLM-Based AI Agents》学习心得 2024年,AI代理成为市场热点,它们能自主规划和行动以实现用户目标,与仅能感知、决策、行动和达成目标的AI助手及聊天机器人有本质区别。Gartner定义的AI代理是使用AI技术在数字或物理环境中自主或半自主运行的软件实体.本文就AI AGENT的交付模式进行详细的探讨 阅读详情

欢迎来到AI产品经理从0到1研习之旅。

“AI Agent”系列的第二篇,它来了!我说过,AI Agent才是我最看好的(大模型落地应用)未来,嘿嘿,目测有很多大佬与我有相似的看法。

本文从吴恩达(Andrew Ng)教授关于AI agentic workflows的主题分享视频说起,介绍以下4种能够更好地利用大语言模型的能力、辅助我们的工作和产品应用表现的Agent模式:

  • 反思:LLM检查自己的工作,提出改进方法。
  • 工具使用:给予LLM如网络搜索、代码执行或任何其他功能的工具,帮助它收集信息、采取行动或处理数据。
  • 规划:LLM提出并执行多步骤计划以实现目标。
  • 多代理合作:多个AI代理一起工作,分配任务并讨论和辩论观点,以产生比单个代理更好的解决方案。

00

—

缘起:一场主题分享

吴恩达(Andrew Ng)教授,DeepLearning.AI和AI Fund的创始人,在美国红杉资本于2024年3月26日举办的AI Ascent活动中,谈到了人工智能代理工作流程的未来及其潜力,这些工作流程有可能显著推动人工智能的进步,甚至可能超越下一代基础模型的影响力。

演讲大致内容总结如下:

作为早期参与神经网络和GPU发展的科学家,以及Coursera和deepLearning.ai的创始人,我见证了人工智能领域的快速发展。特别是,我领导的Google Brain项目在推动深度学习和大规模计算方面发挥了重要作用。然而,今天我想聚焦的是AI代理,这是一个我认为每个从事AI工作的人都应该关注的兴奋趋势。

我们当前使用语言模型的方式,很像是一个非代理的工作流程,你给出一个提示,它生成一个回答。这就好比让一个人写一篇论文,但从头到尾不能使用退格键。尽管这样做非常困难,但我们的模型做得出奇的好。

而代理工作流程则不同,它更像是这样:让AI先写一个大纲,然后决定是否需要进行网络搜索,接着撰写初稿,之后是自我审阅并思考哪些部分需要修订,然后进行修订。这个过程是迭代的,AI在这一过程中不断“思考”和修正,通常能够得到更好的结果。

我自己在使用这种代理工作流程时,对其效果感到非常惊讶。我们团队对一系列编程问题进行了分析,使用名为“人类评估基准”的编码基准测试,发现通过代理工作流程,即使是早期版本的GPT模型,也能在某些情况下超越更高版本的模型。

我想强调的几种设计模式包括:自我反思、工具使用、规划和多代理合作。自我反思让AI能够自我评估和修正错误;规划允许AI在执行任务前做出计划;而多代理合作则是让不同的AI代理共同工作,解决更复杂的问题。

我相信,通过利用这些设计模式,我们可以显著提高生产力。例如,通过自我反思,一个编程代理能够发现自己代码的错误并提出改进方案;通过规划和多代理合作,我们可以解决更为复杂的问题,实现更高效的工作流程。

我期待未来的AI模型能够进一步扩展AI能做的事情范围。特别是,我认为代理工作流程是向着更智能的AI系统迈进的关键一步。我们可能需要适应不是立即得到响应的工作模式,而是将任务委托给AI代理,耐心等待结果的方式。通过代理工作流程,我相信我们可以在这场通往通用人工智能(AGI)的漫长旅途中,迈出一小步。

谢谢大家,我期待着看到我们所有人如何利用这些先进的AI代理技术来推动我们的工作和研究。

-----------我是分割线------------

接下来文章内容,我将会更加细致地整理和分享Andrew在《Andrew’s Letter》(deepLearning.ai其中的一个栏目)上所披露的相关介绍。这些内容与上面的主题分享视频本质上是一回事,只是在不同场合下的分享。

下文的AI 代理=AI Agent,AI代理工作流=AI agentic workflows。


01

—

代理设计模式概述

我认为,AI代理工作流程将在今年推动巨大的人工智能进步——甚至可能超过下一代基础模型。这是一个重要趋势,我敦促所有在AI领域工作的人关注它。

目前,我们主要在零次学习模式下使用大型语言模型(LLMs),提示模型逐个生成最终输出的Tokens,而不对其工作进行修订。这就像要求某人从头到尾一气呵成地撰写一篇文章,直接输入,不允许使用退格键,同时期望得到高质量的结果。尽管任务困难,但大型语言模型在这一任务上做得惊人得好!

然而,通过代理工作流程,我们可以要求LLM多次迭代一个文档。例如,它可能会执行如下一系列步骤:

  • 规划大纲。
  • 决定是否需要进行网络搜索以收集更多信息。
  • 写下初稿。
  • 复查初稿,找出不合理的论点或多余的信息。
  • 考虑发现的任何弱点进行修订。
  • ……

图片

这种迭代过程对大多数人来说是撰写好文本的关键。对AI而言,这样的迭代工作流程比单次写作产生的结果要好得多。

Devin的引人注目的演示最近在社交媒体上引起了大量关注。我的团队一直密切关注编写代码的AI的发展。我们分析了许多研究团队的结果,重点关注算法在广泛使用的HumanEval编码基准测试上的表现。你可以在下面的图表中看到我们的发现。

图片

GPT-3.5(零次尝试)的正确率为48.1%。GPT-4(零次尝试)表现更好,达到67.0%。然而,从GPT-3.5到GPT-4的提升,被纳入迭代代理工作流程的提升所淹没。事实上,被代理循环包裹的GPT-3.5达到了高达95.1%的成绩。

开源代理工具和关于代理的学术文献正在迅速增长,这使得现在是一个令人兴奋但也令人困惑的时期。为了帮助大家更好地理解这项工作,我想分享一个用于构建代理的设计模式分类框架。我的团队AI Fund在许多应用中成功使用了这些模式,我希望你们也会发现它们有用。

  • 反思:LLM检查自己的工作,提出改进方法。
  • 工具使用:给予LLM如网络搜索、代码执行或任何其他功能的工具,帮助它收集信息、采取行动或处理数据。
  • 规划:LLM提出并执行多步骤计划以实现目标(例如,为一篇文章写大纲,然后进行在线研究,接着写草稿,等等)。
  • 多代理合作:多个AI代理一起工作,分配任务并讨论和辩论观点,以产生比单个代理更好的解决方案。

02

—

模式1:反思

通过反思自己的行为,大型语言模型可以成为更有效的代理。作为一个相对容易实现的设计模式,我已经看到它带来了惊人的性能提升。

你可能有过这样的经验:提示ChatGPT/Claude/Gemini,收到不满意的输出,提供关键反馈帮助LLM改进其回应,然后得到更好的回应。如果你自动化提供关键反馈的步骤,让模型自动批评其自己的输出并改进其回应呢?这就是反思的核心。

以要求LLM编写代码的任务为例。我们可以提示它直接生成所需的代码来执行某个任务X。之后,我们可以提示它反思自己的输出,可能如下:

这是为任务X准备的代码:[之前生成的代码] 仔细检查代码的正确性、风格和效率,并给出如何改进它的建设性批评。

有时这会导致LLM发现问题并提出建设性建议。接下来,我们可以给LLM提供包括

(i)之前生成的代码和建设性反馈以及

(ii)要求它使用反馈重写代码的上下文。

这可以导致更好的回应。重复批评/重写过程可能会带来进一步的改进。这个自我反思过程允许LLM发现差距并改进其在包括产生代码、撰写文本和回答问题等多种任务上的输出。

我们可以通过给LLM提供帮助评估其输出的工具来超越自我反思。例如,通过一些单元测试运行其代码,检查是否在测试用例上生成正确的结果,或搜索网络以双重检查文本输出。然后它可以反思它发现的任何错误并想出改进的想法。

图片

此外,我们可以使用多代理框架实现反思。我发现创建两个不同的代理很方便,一个被提示生成好的输出,另一个被提示对第一个代理的输出给出建设性批评。两个代理之间的讨论导致了改进的回应。

反思是一种相对基础的代理工作流程类型,但我对它在一些情况下改善了我的应用程序的结果感到非常高兴。我希望你能在自己的工作中尝试它。如果你对学习更多关于反思感兴趣,我推荐这些论文:

  • “Self-Refine: Iterative Refinement with Self-Feedback,” Madaan et al. (2023)
  • “Reflexion: Language Agents with Verbal Reinforcement Learning,” Shinn et al. (2023)
  • “CRITIC: Large Language Models Can Self-Correct with Tool-Interactive Critiquing,” Gou et al. (2024)

03

—

模式2:工具使用

大型语言模型如何通过利用外部工具进行搜索、代码执行、提高生产力等行为来充当代理?

工具使用,即给予大型语言模型(LLM)一些它可以请求调用的功能,以收集信息、采取行动或操作数据,是AI代理工作流程的关键设计模式之一。你可能熟悉基于LLM的系统,它们能够执行网络搜索或执行代码。实际上,一些面向消费者的大型LLM已经整合了这些功能。但工具使用的范围远不止这些例子。

图片

如果你提示一个基于LLM的在线聊天系统,“根据评论,最好的咖啡机是什么?”它可能决定进行网络搜索并下载一个或多个网页以获取上下文。早期,LLM开发者意识到,仅依赖预训练的Transformer来生成输出Tokens是有限制的,而给LLM一个进行网络搜索的工具,可以让它做更多的事情。有了这样的工具,LLM要么被微调,要么被提示(可能是通过少量示例提示)生成一个特殊的字符串,如{tool: web-search, query: “coffee maker reviews”}来请求调用搜索引擎。(字符串的确切格式取决于实现。)然后,后处理步骤会寻找这样的字符串,找到一个时用相关参数调用网络搜索功能,并将结果作为额外的输入上下文传回LLM进行进一步处理。

图片

同样地,如果你问,“如果我以7%的复合利率投资100美元,12年后我会得到什么?”而不是尝试直接使用Transformer神经网络生成答案——这不太可能得到正确的答案——LLM可能使用代码执行工具运行Python命令计算100 * (1+0.07)**12来得到正确的答案。LLM可能生成这样一个字符串:{tool: python-interpreter, code: “100 * (1+0.07)**12”}。

但现在,代理工作流程中的工具使用已经更进一步。开发者正在使用functions搜索不同的来源(网络、维基百科、arXiv等)、与生产力工具交互(发送邮件、读写日历条目等)、生成或解释图像等等。我们可以使用给出许多函数详细描述的上下文来提示LLM。这些描述可能包括函数的文本描述以及函数期望的参数的细节。我们期望LLM能自动选择调用正确的函数来完成任务。此外,正在构建的系统中,LLM可以访问数百个工具。在这样的设置中,你可能有太多的函数可供使用,无法将它们全部放入LLM的上下文中,所以你可能会使用启发式方法选择最相关的子集包含在当前处理步骤的LLM上下文中。这种技术,如下面引用的Gorilla论文所述,让人想起如果有太多文本要作为上下文包含,检索增强生成(RAG)系统提供的选择包含文本子集的启发式方法。

在LLMs的历史早期,还没有大型多模态模型(LMMs)如LLaVa、GPT-4V和Gemini的广泛可用之前,LLMs无法直接处理图像,因此计算机视觉社区进行了大量关于工具使用的工作。那时,基于LLM的系统操纵图像的唯一方式是调用函数,比如进行对象识别或其他功能。从那以后,工具使用的做法急剧增加。GPT-4在去年中发布的function call能力,是通用工具使用的一个重要步骤。从那时起,越来越多的LLM被开发出来,同样擅长于工具使用。

图片

如果你有兴趣了解更多关于工具使用的信息,我推荐:

  • “Gorilla: Large Language Model Connected with Massive APIs,” Patil et al. (2023)
  • “MM-REACT: Prompting ChatGPT for Multimodal Reasoning and Action,” Yang et al. (2023)
  • “Efficient Tool Use with Chain-of-Abstraction Reasoning,” Gao et al. (2024)

工具使用和反思,是我在应用程序上能够相对可靠地运行的设计模式——这两个能力都值得学习。

图片

接下来要描述的规划和多代理合作设计模式,它们允许AI代理做更多的事情,但是这些技术不够成熟,不够可预测——尽管非常令人兴奋。

04

—

模式3:规划

如果你让它们在行动之前规划好必要的步骤,大型语言模型就会成为执行复杂任务的强大代理。

规划是AI代理设计的关键模式之一,在这种模式中,我们使用大型语言模型(LLM)自主决定执行哪一系列步骤来完成更大的任务。例如,如果我们要求一个代理在给定主题上进行在线研究,我们可能会使用LLM将目标分解为更小的子任务,比如研究特定的子主题、综合发现并编写报告。

许多人在ChatGPT发布后不久就经历了一个“ChatGPT时刻”,当他们使用它时,惊讶地发现它的表现远远超出了他们对AI能做的事情的预期。如果你还没有经历类似的“AI代理时刻”,我希望你很快就会。几个月前,我有这样一个时刻,当时我在现场演示了我实现的一个研究代理,它可以访问各种在线搜索工具。

我之前已经多次私下测试了这个代理,在这些测试中,它一直使用网络搜索工具来收集信息并撰写总结。然而,在现场演示时,网络搜索API意外地返回了一个速率限制错误。我以为我的演示就要公开失败了,我害怕接下来会发生什么。令我惊讶的是,代理灵活地转向了我忘记给它的维基百科搜索工具,并使用维基百科而不是网络搜索完成了任务。

这对我来说是一个AI代理惊喜的时刻。我认为,许多还没有经历过这样时刻的人,在未来几个月内会经历。当你看到一个代理自主决定以你没有预料到的方式行动,并因此成功时,那是一件美妙的事情!

许多任务不能通过单一步骤或单一工具调用完成,但代理可以决定采取什么步骤。例如,简化《HuggingGPT》论文(下文引用)中的一个例子,如果你想让一个代理考虑一个男孩的照片,并画出一个相同姿势的女孩的画,任务可能被分解为两个不同的步骤:

(i)检测男孩照片中的姿势和

(ii)用检测到的姿势渲染一个女孩的图片。

LLM可能被微调或提示(通过少数示例提示)来指定一个计划,输出一个字符串,如"{tool: pose-detection, input: image.jpg, output: temp1 } {tool: pose-to-image, input: temp1, output: final.jpg}"。

图片

这种结构化输出,指定了要采取的两个步骤,然后触发软件调用姿势检测工具,接着是姿势到图像的工具来完成任务。(这个例子仅用于说明目的;HuggingGPT使用不同的格式。)

诚然,许多代理工作流程不需要规划。例如,你可能让一个代理固定次数地反思并改进其输出。在这种情况下,代理采取的步骤序列是固定和确定的。但对于那些你无法提前指定任务分解为一组步骤的复杂任务,规划允许代理动态决定采取什么步骤。

一方面,规划是一个非常强大的能力;另一方面,它导致结果不太可预测。根据我的经验,虽然我可以让反思和工具使用这两种代理设计模式可靠地工作并提升我的应用程序的性能,但规划是一项不够成熟的技术,我发现很难预先预测它会做什么。但这个领域继续快速发展,我相信规划能力会迅速提高。

如果你有兴趣了解更多关于LLMs的规划,我推荐:

  • “Chain-of-Thought Prompting Elicits Reasoning in Large Language Models,” Wei et al. (2022)
  • “HuggingGPT: Solving AI Tasks with ChatGPT and its Friends in Hugging Face,” Shen et al. (2023)
  • “Understanding the planning of LLM agents: A survey,” by Huang et al. (2024)

05

—

模式4:多代理合作

提示一个LLM在复杂任务的不同部分扮演不同角色,可以召唤一个能更有效完成工作的AI代理团队。

面对像编写软件这样的复杂任务,多代理方法会将任务分解为由不同角色执行的子任务——比如软件工程师、产品经理、设计师、质量保证(QA)工程师等,并让不同的代理完成不同的子任务。

图片

不同的代理可能是通过提示一个LLM(或者,如果你愿意,多个LLM)来执行不同的任务来构建的。例如,为了构建一个软件工程师代理,我们可能会提示LLM:“你是编写清晰、高效代码的专家。编写代码来执行任务……”

"Programmer": [
    "{chatdev_prompt}",    
    "You are Programmer. we are both working at ChatDev. We share a common interest in collaborating to successfully complete a task assigned by a new customer.",    
    "You can write/create computer software or applications by providing a specific programming language to the computer. You have extensive computing and coding experience in many varieties of programming languages and platforms, such as Python, Java, C, C++, HTML, CSS, JavaScript, XML, SQL, PHP, etc,.",    
    "Here is a new customer's task: {task}.",    
    "To complete the task, you must write a response that appropriately solves the requested instruction based on your expertise and customer's needs."
"Coding": {
    "assistant_role_name": "Programmer",    
    "user_role_name": "Chief Technology Officer",    
    "phase_prompt": [     
      "According to the new user's task and our software designs listed below: ",      
      "Task: \"{task}\".",      
      "Task description: \"{description}\".",      
      "Modality: \"{modality}\".",      
      "Programming Language: \"{language}\"",      
      "Ideas:\"{ideas}\"",      
      "We have decided to complete the task through a executable software with multiple files implemented via {language}. As the {assistant_role}, to satisfy the new user's demands, you should write one or multiple files and make sure that every detail of the architecture is, in the end, implemented as code. {gui}",      
      "Think step by step and reason yourself to the right decisions to make sure we get it right.",      
      "You will first lay out the names of the core classes, functions, methods that will be necessary, as well as a quick comment on their purpose.",      
      "Then you will output the content of each file including complete code. Each file must strictly follow a markdown code block format, where the following tokens must be replaced such that \"FILENAME\" is the lowercase file name including the file extension, \"LANGUAGE\" in the programming language, \"DOCSTRING\" is a string literal specified in source code that is used to document a specific segment of code, and \"CODE\" is the original code:",      
      "FILENAME",      
      "```LANGUAGE",      
      "'''",      
      "DOCSTRING",      
      "'''",      
      "CODE",     
       "```",      
       "You will start with the \"main\" file, then go to the ones that are imported by that file, and so on.",      
       "Please note that the code should be fully functional. Ensure to implement all functions. No placeholders (such as 'pass' in Python)."    
     ]  
   }

可能看起来违反直觉,尽管我们多次调用同一个LLM,我们应用了使用多个代理的程序抽象。我想提供几个理由:

  • 它有效!许多团队使用这种方法取得了良好的结果,没有什么比结果更有说服力的了!此外,消融研究(例如下面引用的AutoGen论文)显示,多个代理的表现优于单个代理。
  • 尽管今天的一些LLM可以接受非常长的输入上下文(例如,Gemini 1.5 Pro接受100万个Tokens),但它们真正理解长的、复杂的输入的能力是参差不齐的。在代理工作流中,提示LLM一次专注于一件事可以获得更好的表现。通过告诉它何时应该扮演软件工程师,我们还可以指定那个角色子任务中的重要内容。例如,前面的prompt强调了清晰、高效的代码,而不是可扩展和高安全性的代码。通过将总体任务分解为子任务,我们可以更好地优化子任务。
  • 或许最重要的是,多代理设计模式为我们提供了一个框架,用于将复杂任务分解为子任务。当我们在单个CPU上编写代码运行时,我们经常将程序分解为不同的进程或线程。这是一个有用的抽象,让我们能够将任务(如实现一个网络浏览器)分解为更容易编写的子任务。我发现通过多代理角色进行思考也是一个有用的抽象。

在许多公司中,经理们经常决定要雇佣什么角色,然后如何将复杂的项目——如编写大型软件或准备研究报告——分解为分配给不同专业的员工的较小任务。使用多个代理是类似的。每个代理实现其自己的工作流,拥有自己的记忆(这是代理技术中一个迅速发展的领域:代理如何记住足够的过去互动来在即将到来的任务中表现得更好?),并可能请求其他代理的帮助。代理还可以参与规划和工具使用。这会导致LLM调用和代理之间的信息传递的嘈杂声,从而产生非常复杂的工作流。

图片

虽然管理人员很困难,但这是一个我们足够熟悉的概念,它为我们提供了如何“雇佣”并分配任务给我们的AI代理的心理框架。幸运的是,管理不善AI代理造成的损害远低于管理不善人类!

像AutoGen、Crew AI和LangGraph这样的新兴框架,提供了构建多代理解决方案的丰富方式。如果你有兴趣尝试一个有趣的多代理系统,也可以查看ChatDev(补充:和Andrew不同,笔者本人更推荐查看、尝试MetaGPT和ModelScope),一个运行虚拟软件公司的代理集的开源实现。我鼓励你查看他们的GitHub仓库,也许克隆该仓库并自己运行系统。虽然它可能不总是产生你想要的结果,但你可能会惊讶于它做得有多好。

就像规划的设计模式一样,我发现多代理合作的输出质量很难预测,特别是当允许代理自由互动并为它们提供多个工具时。更成熟的反思和工具使用模式更可靠。我希望你喜欢玩这些代理设计模式,并希望它们为你带来惊人的结果!

如果你有兴趣了解更多,我推荐:

  • “Communicative Agents for Software Development,” Qian et al. (2023) (the ChatDev paper)
  • “AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation,” Wu et al. (2023)
  • “MetaGPT: Meta Programming for a Multi-Agent Collaborative Framework,” Hong et al. (2023)

06

—

总结与延伸

这四种代理设计模式为AI产品的设计和开发提供了新的思路和方法。作为AI产品经理,我们需要深入理解这些模式的原理和应用,以便将它们融入产品创新中,不仅解决用户的现有问题,也为用户探索未来可能的需求。同时,通过这些模式,我们还可以更好地理解人工智能的潜力和局限,制定出更合理的产品规划和发展战略。

反思模式让AI能够自我评估和改进,这对于构建更智能、更自适应的产品至关重要。作为AI产品经理,我们可以利用这一模式设计出能够在收到用户反馈后自我优化的系统,从而减少持续监督的需要,并提升产品随时间的改进速度。

工具使用模式拓展了AI的能力边界,使其能够执行网络搜索、代码执行等操作,从而处理更复杂的任务。这种模式的应用使得我们的AI产品不再局限于事先编码的知识,而是可以动态地访问和利用外部资源,以解决用户面临的实时问题。

规划模式为AI系统提供了制定和执行多步计划的能力,这对于那些需要执行复杂任务或决策过程的产品来说,是一个巨大的进步。通过这种模式,AI不仅能够更有效地完成任务,还能为用户提供更加连贯、逻辑性更强的互动体验。

多代理合作模式则开辟了AI技术合作的新领域。通过让不同的AI代理协同工作,我们可以解决单一代理无法处理的复杂问题,或是在创造性任务中产生更多创新的解决方案。作为产品经理,利用这一模式可以开发出团队协作工具、创意生成平台等多种产品,极大地扩展了AI的应用场景。

说到这,我又忍不住说说之前看到关于AI+BI,也采用了多代理合作模式的一个设计,深得我心:

图片

不过,我们也必须认识到实施这些先进技术时所面临的挑战和风险:

反思模式:虽然反思模式使AI能够自我评估和改进,提升了模型的自适应性,但这也带来了新的挑战。例如,AI可能会在不恰当的反馈循环中陷入过度优化,导致过拟合或失去对原始任务的关注。此外,自我反思的过程可能会引入意料之外的偏差,特别是当评估标准不完全明确或与人类价值观不一致时。

工具使用模式:它极大地扩展了AI的能力,但同时也增加了系统的复杂性。集成外部工具和服务需要精确的控制和错误处理机制,以防AI执行不当的操作或获取不准确的信息。此外,对外部资源的依赖也可能带来隐私和安全方面的风险,需要产品经理仔细考量数据处理和用户信息保护的合规性问题。

规划模式:尽管它为AI提供了制定和执行复杂策略的能力,但在动态或不确定的环境中,制定有效的多步骤计划仍然是一个挑战。AI的规划能力可能因缺乏对环境变化的适应性或理解不足而受限。此外,过度依赖预先规划的路径可能导致缺乏灵活性,无法应对突发情况。

多代理合作:虽然多代理合作模式提供了解决复杂问题和促进创新的潜力,但代理间的有效协调和沟通是一大挑战。不同代理的目标、策略和优先级可能不一致,导致效率低下或冲突。此外,设计一个能够公平、有效分配任务并评估各代理贡献的系统,也是一项非常复杂的任务。

不过,我始终坚信,道路是曲折的,前途是光明的!

​

如何学习AI大模型?

作为一名热心肠的互联网老兵,我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的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。

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】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!

img

二、640套AI大模型报告合集

这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。

img

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

img

四、AI大模型商业化落地方案

img

作为普通人,入局大模型时代需要持续学习和实践,不断提高自己的技能和认知水平,同时也需要有责任感和伦理意识,为人工智能的健康发展贡献力量。

麦肯锡最新发布《抓住代理 Agentic AI 的优势 》:解决gen AI悖论的CEO行动手册,解锁 AI 代理的可扩展影响 以上为《抓住代理 Agentic AI 的优势 :解决 gen AI 悖论的 CEO 行动手册,解锁 AI 代理的可扩展影响》报告的解读。麦肯锡强调,AI agents是催化剂,能将 AI 从边缘影响转为核心转型。但成功需战略意图:定义成果、嵌入核心流程、重设计运营模型,并通过反馈循环和治理转化新奇为可衡量价值。在代理时代,企业若不行动,将错失机遇。报告呼吁 CEO 问:“我们如何让决策、工作流和人类在软件能行动的环境中互动?”通过开放、透明和控制,构建信任,实现可扩展转型。 阅读详情

相关推荐

AI Agent 的语言生成:提升 LLM 的文本创作能力

AI Agent(人工智能代理)是指能够感知环境、自主决策并执行任务的智能实体。自主性:能够在没有外部干预的情况下独立运作。反应性:能够实时感知环境并做出响应。目标导向:具有明确的目标,通过优化目标函数来实现任务。学习能力:能够通过经验或数据改进自身的性能。大规模训练数据:通常使用海量的文本数据进行训练。深度神经网络结构:如Transformer架构,具有强大的非线性表达能力。生成能力:能够生成自然流畅的文本,支持多种语言和文体。

AI天才研究院 449

只用 5 步,每个人都能写出精准的 Prompt

虽然 AI 有可能胡说八道,而且,可以说是很多场景下,都会输出一些毫无关联的内容,但是通过精心设计Prompt,可以大大提高输出内容的准确性。

2301_81888214的博客 1090

TL3562/3568内核驱动移植实战:解决无锡沐创N500L-AM4网口异常问题

本文详细介绍了在TL3562/3568平台上移植无锡沐创N500L-AM4网卡驱动的实战经验,重点解决了第四个网口通讯异常问题。通过升级驱动版本至rnpgbe-0.2.3,生成关键头文件并正确配置内核,最终实现四个网口稳定工作。文章还提供了性能优化建议和避坑指南,为类似硬件驱动移植项目提供参考。

weixin_28273593的博客 182

什么是LLM Agent它如何运作?

本文介绍了什么是LLM 的Agent

zg_hover的专栏 1410

基于集成运放心电放大器设计(原创)

原创作者:einyboy or alert 最近在看美剧《危机边缘》关于边缘科学的案件,科技控可以看一下,但建议不在吃东西的时候看。想像力是创造的思想源头,动手能力则是创造的车床。 自认为是没有想像力的那类,只能发挥动手能力了。 心电测量简介 图1 心电极接线图 如图1心电测试一般使用3个心电极进行测量,各个电极的说明如下: RA: Right Arm缩写,右手电极 LA: L...

huandaohack的专栏 6929

初识YUV,实战NV21格式数据转换为Bitmap

初识YUV,并使用YUV数据生成Bitmap图像一、初识YUV二、采样方式2.1、YUV 4:4:42.2、YUV 4:2:22.2、YUV 4:2:2 一、初识YUV 说到YUV我们就必须先从RGB说起了,如下图所示,请各位把每个色块当成一个像素点。通常一个像素点由RGB(Alpha我们先不考虑)三原色组成。 如下图中第一个像素点,其RGB值分别为(236,102,93),而这三个值就组成了我们看到的 红色 。 然而上图中除了RGB值外,我还标出了每个像素点的YUV的值,YUV的值是怎么来的呢?直接给公

乐翁龙 7128

预先行动:多步规划和推理提升LLM代理的行为表现

Mrinal Rawat 1{ }^{1}1, Ambuje Gupta 1{ }^{1}1, Rushil Goomer 1{ }^{1}1, Alessandro Di Bari 1{ }^{1}1, Neha Gupta 1{ }^{1}1, Roberto Pieraccini 1{ }^{1}11{ }^{1}1 Uniphore通讯地址: rawatmrinal06@gmail.com大型语言模型(LLMs)中的ReAct(推理+行动)能力已成为现代代理系统的基础。最近的LLMs,如DeepSe

栖客 1322

MATLAB随机生成m个三维坐标点,且各个坐标点之间的距离不小于n

randi函数 randi(max,m,n); %生成均匀分布的随机整数,max生成的随机整数最大值,生成m行n列的矩阵 编写函数sampling function [x,y,z]=sampling(lowx,upx,lowy,upy,lowz,upz,m,n) %该函数用来产生不重复的随机整数矩阵 %low—随机整数下界;up—随机整数上界;m—坐标点个数;n—各个坐标点之间的最小距离 %编...

qq_45384561的博客 9437

吴恩达揭秘:AI Agent四大策略对大语言模型性能的提升

随着人工智能技术的飞速发展,大型语言模型(LLM)逐渐成为研究和应用的热点。这些模型拥有强大的语言理解和生成能力,为我们的生活和工作带来了诸多便利。然而,如何进一步提升LLM的性能,使其更好地服务于人类,成为了一个亟待解决的问题。

Android23333的博客 825

angular中访问本地json文件

先在assets文件夹下写一个json文件,这样在打完包之后也可以手动修改json文件内容 1、在需要访问本地json文件的ts文件里面引入 import{HttpClient}from'@angular/common/http'; 2、用ajax请求调用,我这里是用已经封装好的ajax请求调用 gethttp = ()=>{ var self = this self.ajax.getAjax("../../assets/server.json","g...

蜗牛~~ 1830

Classic AUTOSAR精讲专栏目录

欢迎大家来到钢琴上的汽车软件创建的《Classic AUTOSAR精讲系列专栏》,期待在这里能够与大家一起进步,分享成功,分享喜悦!下面蓝色的文章标题都是传送门,点击直接跳转到对应文章。

酒无忧的博客 3919

利用Prompt工程为LLM提升推理能力

众所周知,一个精心设计的Prompt能够显著增强大型语言模型(LLMs)的推理能力,助力AI应用更高效地解决实际问题。本文将深入探讨如何通过有效的Prompt工程技术,实现这一目标。【⭐文章结尾附全部代码⭐】有效的Prompt工程技术对于帮助大型语言模型(LLMs)产生更可靠、结构化且推理严谨的回答至关重要。:将复杂任务细分为更小、更易管理的步骤,帮助LLMs更系统地进行信息处理,减少错误,提升逻辑一致性。:制定明确的输出结构,引导LLMs有序组织思路,以更易懂的方式呈现信息。

十一月廿七风雨大作 6928

GlobalBuildingAtlas 建筑物白模数据下载

GlobalBuildingAtlas基于OSM开源数据构建全球建筑物3D白模,提供在线浏览和下载服务。官方资源包括GitHub项目地址和TUM数据库链接,支持行政区划检索建筑物数据。

一醉千秋的专栏 543

人工智能核心知识:AI Agent的四种关键设计模式

AI Agent智能工作流在多个行业中展现出实际应用的巨大潜力,这些智能体在编程、研究和多模态任务处理等领域的应用,智能体工作流将在未来几年内极大扩展AI的能力边界。无疑,这四种设计模式的结合使用,不仅能够提升AI Agent在单个任务中的执行能力,还为它在更广泛的应用场景中进行协作和创新提供了可能。AI Agent是指能够在特定环境中自主执行任务的人工智能系统,不仅接收任务,还自主制定和执行工作计划,并在过程中不断自我评估和调整,类似于人类在创造性任务中的思考和修正过程。

百锦再的博客 1万+

Kriging克里金模型实现数据回归预测Matlab代码

Kriging克里金模型实现数据回归预测Matlab代码

天天酷科研的博客 608

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

EAGLET框架:提升LLM智能代理的全局规划能力

大型语言模型(LLM)在复杂任务规划中常面临效率低下和幻觉问题。EAGLET框架通过解耦规划与执行模块,采用显式全局规划器提升任务处理能力。其核心技术包括同源共识过滤和规则化强化学习,显著降低训练成本并实现自动化。该框架适用于科学实验模拟、家庭自动化等长视野任务场景,特别对弱执行器模型提升效果显著。通过两阶段训练流程和创新的ECGR奖励机制,EAGLET在ALFWorld等基准测试中展现出10%以上的性能提升,同时减少87.5%的训练时间。

weixin_30902251的博客 562

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

建立一个基于LLM的AI代理平台

在当今快速发展的技术环境中,大语言模型(LLMs)和AI代理正在改变我们与信息的交互方式,自动化流程,并在各个行业中应对复杂挑战。随着这些强大模型的不断进步,开发一个具有良好的集成与协调能力的平台的必要性愈加显著。本文将深入探讨构建一个前沿的LLM与AI代理平台的细节,使组织能够充分发挥这些革命性技术的潜力。

XianxinMao的博客 1058

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

提升复杂ai任务执行能力:使用gemini 2.0与langgraph构建多步骤智能代理的5大策略

Agentic AI 将 LLM 从一个被动的“脑”转变为一个主动的智能代理,能够制定计划,利用工具与外部系统(APIs、数据库)互动,收集数据,进行计算,并执行任务以实现特定目标。然而,即使有了RAG,人工智能在处理复杂的多步骤任务时仍然面临困难,这些任务需要与现实世界的互动。: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。在此解决方案中,我使用了一种“计划与执行”风格的代理,这受到LangChain的计划与执行教程的启发。

python12345_的博客 1420

AI Agent 基于大模型的人工智能代理

大语言模型的浪潮推动了 AI Agent 相关研究快速发展,AI Agent 是当前通往 AGI 的主要探索路线。大模型庞大的训练数据集中包含了大量人类行为数据,为模拟类 人的交互打下了坚实基础;另一方面,随着模型规模不断增大,大模型涌现出了上 下文学习能力、推理能力、思维链等类似人类思考方式的多种能力。将大模型作为 AI Agent 的核心大脑,就可以实现以往难以实现的将复杂问题拆解成可实现的子任 务、类人的自然语言交互等能力。

2301_79455190的博客 1690

OpenManus-RL 通过强化学习(RL)提升大型语言模型(LLM)代理的推理和决策能力

OpenManus-RL 是一个致力于通过强化学习技术优化 LLM 代理能力的开源项目。它的目标是增强代理在推理、工具使用和环境交互方面的表现,特别关注代理任务的复杂性。OpenManus-RL 项目采用多种后训练策略来提升 LLM 代理的表现。

weixin_40941102的博客 2145

LLM大模型:如何让AI在复杂问题中展现出色的链式思考推理能力?

大模型(LLM)是一种人工智能模型,旨在理解和生成人类语言。它们在大量的文本数据上进行训练,可以执行广泛的任务,包括文本总结、翻译、情感分析等等。LLM的特点是规模庞大,包含数十亿的参数,帮助它们学习语言数据中的复杂模式。这些模型通常基于深度学习架构,如转化器,这有助于它们在各种NLP任务上取得令人印象深刻的表现。

AI_Conf的博客 1944

构建高效AI代理:单代理与多代理架构的策略与挑战

AI代理架构正成为实现复杂任务自动化的关键技术。这些代理不仅需要处理信息、做出决策,还要能够与外部环境进行交互。随着ChatGPT等生成式AI应用的兴起,研究者们开始探索下一代AI应用,其中AI代理的角色愈发重要。单代理架构以其简洁高效的特点,在处理明确定义的任务时表现出色;而多代理架构则通过代理间的协作,展现了解决更为复杂问题的巨大潜力。然而,这些架构的有效性不仅取决于它们的设计,还依赖于诸如推理、规划和工具调用等关键能力的实现。

人工智能讲师分享前沿技术 1604

程序员必藏!一文搞懂LLM:从GPT到AI代理,AI核心技术全解析

文章全面介绍了大型语言模型(LLM)的核心技术与应用,涵盖Transformer架构原理、GPT工作机制、三阶段训练方法、提示工程技术以及多模态和AI代理等前沿方向。针对程序员群体,详细讲解了LLM在代码生成、调试、文档生成和测试等方面的应用实践,并提供了学习资源,帮助开发者掌握这一AI时代的核心技术,提升开发效率并站在技术前沿。

2401_85375186的博客 1344

AI Agent:基于大模型的人工智能代理

AI Agents竞争就是未来很重要的方向。我们大部分人都优势应该不是大模型,但可以是AI Agents,也就是在配套技术上面有很多的优势,才能使得他做任何一个业务的完成度极大地提升了。

瓦罗兰特顶级C位的博客 938

OptimAI:使用LLM驱动的AI代理从自然语言进行优化

优化在科学研究和实际应用中起着至关重要的作用,但将用自然语言描述的具体优化问题转化为数学形式,并选择合适的求解器来解决问题,需要大量的领域专业知识。我们引入了OptimAI,这是一种通过利用LLM驱动的AI代理解决用自然语言描述的优化问题的框架,在性能上优于当前最先进的方法。我们的框架基于四个关键角色:(1) 一个公式化者,将自然语言问题描述转化为精确的数学公式;(2) 一个规划者,在执行前构建高层解决方案策略;以及 (3) 一个编码者和代码评论者,能够与环境交互并反思结果以改进未来的行动。

栖客 1436
上一篇: 新手0基础AI产品经理必看:如何用LLM技术优化你的产品?——以自营电商的产品描述生成器为例
下一篇: AI | 如何使用知识图谱和矢量数据库实现 Graph RAG
冻感糕人~
博客等级 码龄3年 8926粉丝 2400原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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