一步步教你如何构建一个通用的大模型智能体(LLM Agent)

什么是LLM Agent? LLM Agent 已经成为大语言模型中最有价值的探索方向,也更趋于最前沿的通用人工智能。构建企业自己的 LLM Agent 有助于企业在最前沿的人工智能领域探索具有完全自主性的智能化能力,包括基于企业知识库、企业工具 API(如:会议、审核、报表等)实现完全智能化的操作能力的探索。 阅读详情

LLM Agent(智能体)的高级概述:

为什么要构建一个通用的 Agent?因为它是一个出色的工具,可以用来原型化你的用例,并为设计你自己的定制 Agent 架构奠定基础。

在我们深入讨论之前,先简单介绍一下LLM Agent。你可以选择跳过这一部分。

什么是LLM Agent?

LLM Agent 是一个程序,它的执行逻辑由其底层模型控制。

从单独的 LLM 到 Agentic 系统:

LLM Agent 与 few-shot 提示或固定工作流等方法的不同之处在于,它能够自主定义并调整执行用户查询所需的步骤。

在具备一组工具(如代码执行或网页搜索)的情况下,Agent 可以决定使用哪个工具、如何使用,并根据输出结果进行迭代优化。

这种适应性使系统能够以最少的配置处理各种不同的用例。

Agentic 架构存在一个从固定工作流的可靠性到自主Agent的灵活性的连续频谱。

例如,RAG(检索增强生成)这样的固定工作流可以通过自反思(self-reflection)循环进行增强,使程序在初始响应不足时能够进行迭代优化。另一方面,ReAct Agent 可以将固定工作流作为工具来使用,从而提供一种既灵活又结构化的方法。最终,架构的选择取决于具体的使用场景,以及在可靠性和灵活性之间的权衡。

从零开始构建一个通用 LLM Agent !

第 1 步:选择合适的 LLM

选择合适的模型对于实现预期的性能至关重要。你需要考虑多个因素,例如许可协议、成本和语言支持。

对于LLM Agent来说,最重要的考量因素是模型在关键任务(如代码生成、工具调用和推理)上的表现,评估基准包括:

  • MMLU(Massive Multitask Language Understanding)

    (用于推理能力评估)

  • Berkeley’s Function Calling Leaderboard

    (用于工具选择与调用评估)

  • HumanEval 和 BigCodeBench

    (用于代码能力评估)

另一个关键因素是模型的上下文窗口大小。Agentic 工作流可能会消耗大量 token,有时甚至超过 100K,因此更大的上下文窗口会带来极大便利。

可考虑的模型(截至2025年3月1日)
  • 闭源模型:GPT-4.5、Claude 3.7

  • 开源模型:Qwen 2.5、DeepSeek R1、Llama 3.2

通常来说,更大的模型通常表现更佳,但能够在本地运行的小型模型仍然是不错的选择。如果选择小型模型,Agent 可能只能用于较简单的场景,并且只能连接一两个基础工具。

第 2 步:定义 Agent 的控制逻辑(即通信结构)

LLM 与 Agent 之间的主要区别在于系统提示(system prompt)。在 LLM 的上下文中,系统提示是一组指令和上下文信息,在模型处理用户查询之前提供给它。

Agent 预期的行为可以在系统提示中进行编码,从而定义其 Agentic 行为模式。这些模式可以根据具体需求进行定制,常见的 Agentic 模式:

  • 工具调用(Tool Use)

    Agent 决定何时将查询传递给合适的工具,或直接依赖自身知识回答。

  • 自反思(Reflection)

    Agent 在回应用户之前,会先检查并修正自己的回答。大多数 LLM 系统都可以加入一个反思步骤。

  • 推理后执行(Reason-then-Act,ReAct)

    Agent 逐步推理如何解决查询,执行某个操作,观察结果,并决定是继续采取行动还是直接给出答案。

  • 规划后执行(Plan-then-Execute)

    Agent 先将任务拆解成多个子步骤(如果有必要),然后逐步执行每个步骤。

其中,ReAct 和 Plan-then-Execute 是构建通用单Agent最常见的起点。

要有效实现这些行为,你需要进行Prompt Engineering(提示工程),也可能需要使用结构化生成(structured generation)技术。结构化生成的核心思想是引导 LLM 输出符合特定格式或模式,确保 Agent 的回复风格一致,并符合预期的沟通方式。

示例:Bee Agent Framework 中的 ReAct 风格 Agent 的系统提示片段:

# Communication structure``You communicate only in instruction lines. The format is: "Instruction: expected output". You must only use these instruction lines and must not enter empty lines or anything else between instruction lines.``You must skip the instruction lines Function Name, Function Input and Function Output if no function calling is required.``   ``Message: User's message. You never use this instruction line.``Thought: A single-line plan of how to answer the user's message. It must be immediately followed by Final Answer.``Thought: A single-line step-by-step plan of how to answer the user's message. You can use the available functions defined above. This instruction line must be immediately followed by Function Name if one of the available functions defined above needs to be called, or by Final Answer. Do not provide the answer here.``Function Name: Name of the function. This instruction line must be immediately followed by Function Input.``Function Input: Function parameters. Empty object is a valid parameter.``Function Output: Output of the function in JSON format.``Thought: Continue your thinking process.``Final Answer: Answer the user or ask for more information or clarification. It must always be preceded by Thought.``   ``## Examples``Message: Can you translate "How are you" into French?``Thought: The user wants to translate a text into French. I can do that.``Final Answer: Comment vas-tu?

中文:

# 通信结构``你只能通过指令行进行通信。格式为:“指令:预期输出”。你只能使用这些指令行,并且不得在指令行之间输入空行或其他任何内容。``如果不需要调用函数,则必须跳过指令行函数名称、函数输入和函数输出。``   ``消息:用户的消息。您永远不会使用此指令行。``想法:如何回答用户消息的单行计划。它必须紧接着最终答案。``想法:如何回答用户消息的单行分步计划。你可以使用上面定义的可用函数。如果需要调用上面定义的可用函数之一,则此指令行必须紧接着函数名称,或者紧接着最终答案。不要在此处提供答案。``函数名称:函数的名称。此指令行必须紧接着函数输入。``函数输入:函数参数。空对象是有效参数。``函数输出:以 JSON 格式输出函数。``想法:继续你的思考过程。``最终答案:回答用户或要求提供更多信息或说明。它必须始终以想法开头。``   ``## 示例``消息:你能将“How are you”翻译成法语吗?``想法:用户想将文本翻译成法语。我可以做到。``最终答案:Comment vas-tu?

第 3 步:定义 Agent 的核心指令

我们通常认为 LLM 具备许多开箱即用的功能,但其中一些可能并不符合你的需求。要让 Agent 达到理想的性能,你需要在系统提示中明确规定哪些功能应该启用,哪些应该禁用。

可能需要定义的指令包括:

  • Agent 名称与角色

    Agent 的名称及其职责。

  • 语气与简洁性

    Agent 交流时应正式还是随意?应尽量简短还是提供详细信息?

  • 何时使用工具

    何时依赖外部工具,何时直接使用 LLM 知识回答?

  • 错误处理方式

    如果工具调用失败,Agent 应该如何应对?

示例:Bee Agent Framework 的部分指令:

# Instructions``User can only see the Final Answer, all answers must be provided there.``You must always use the communication structure and instructions defined above. Do not forget that Thought must be a single-line immediately followed by Final Answer.``You must always use the communication structure and instructions defined above. Do not forget that Thought must be a single-line immediately followed by either Function Name or Final Answer.``Functions must be used to retrieve factual or historical information to answer the message.``If the user suggests using a function that is not available, answer that the function is not available. You can suggest alternatives if appropriate.``When the message is unclear or you need more information from the user, ask in Final Answer.``   ``# Your capabilities``Prefer to use these capabilities over functions.``- You understand these languages: English, Spanish, French.``- You can translate and summarize, even long documents.``   ``# Notes``- If you don't know the answer, say that you don't know.``- The current time and date in ISO format can be found in the last message.``- When answering the user, use friendly formats for time and date.``- Use markdown syntax for formatting code snippets, links, JSON, tables, images, files.``- Sometimes, things don't go as planned. Functions may not provide useful information on the first few tries. You should always try a few different approaches before declaring the problem unsolvable.``- When the function doesn't give you what you were asking for, you must either use another function or a different function input.`  `- When using search engines, you try different formulations of the query, possibly even in a different language.``- You cannot do complex calculations, computations, or data manipulations without using functions.

中文:

# 说明``用户只能看到最终答案,所有答案都必须在那里提供。``你必须始终使用上面定义的通信结构和说明。不要忘记,思考必须是一行,后面紧跟着最终答案。``你必须始终使用上面定义的通信结构和说明。不要忘记,思考必须是一行,后面紧跟着函数名称或最终答案。``必须使用函数来检索事实或历史信息以回答消息。``如果用户建议使用不可用的功能,请回答该功能不可用。如果合适,你可以建议替代方案。``当消息不清楚或你需要用户提供更多信息时,请在最终答案中询问。``#你的能力``优先使用这些能力而不是功能。``- 你了解这些语言:英语、西班牙语、法语。``- 你可以翻译和总结,即使是长篇文档。``# 注释``- 如果你不知道答案,请说你不知道。``- 可以在最后一条消息中找到 ISO 格式的当前时间和日期。``- 回答用户问题时,请使用友好的时间和日期格式。``- 使用 markdown 语法格式化代码片段、链接、JSON、表格、图像和文件。``- 有时,事情不会按计划进行。函数在前几次尝试中可能无法提供有用的信息。在宣布问题无法解决之前,你应该始终尝试几种不同的方法。``- 当函数无法提供你要求的内容时,你必须使用其他函数或其他函数输入。``- 使用搜索引擎时,你可以尝试查询的不同表述,甚至可能使用不同的语言。``- 不使用函数,你无法进行复杂的计算、运算或数据操作。

第 4 步:定义并优化核心工具

工具赋予了 Agent 强大的能力。通过一组精心设计的工具,你可以实现广泛的功能。关键工具包括:
✅ 代码执行
✅ Web 搜索
✅ 文件读取
✅ 数据分析

每个工具都应包含以下定义,并作为系统提示的一部分:

  • 工具名称(Tool Name)

    清晰描述该工具的功能。

  • 工具描述(Tool Description)

    解释工具的用途,以及何时使用它,以帮助 Agent 选择合适的工具。

  • 工具输入模式(Tool Input Schema)

    定义输入参数,包括必填项、可选项、类型和约束。

  • 工具执行方式

    如何运行工具,以及 Agent 该如何调用它。

示例:Langchain 社区的 Arxiv 工具,以下是 Arxiv API 实现的部分代码,该工具可用于检索物理学、数学、计算机科学等领域的论文:
class ArxivInput(BaseModel):`    `"""Input for the Arxiv tool."""`    `query: str = Field(description="search query to look up")``   ``class ArxivQueryRun(BaseTool):  # type: ignore[override, override]`    `"""Tool that searches the Arxiv API."""`    `name: str = "arxiv"`    `description: str = (`        `"A wrapper around Arxiv.org "`        `"Useful for when you need to answer questions about Physics, Mathematics, "`        `"Computer Science, Quantitative Biology, Quantitative Finance, Statistics, "`        `"Electrical Engineering, and Economics "`        `"from scientific articles on arxiv.org. "`        `"Input should be a search query."`    `)`    `api_wrapper: ArxivAPIWrapper = Field(default_factory=ArxivAPIWrapper)  # type: ignore[arg-type]`    `args_schema: Type[BaseModel] = ArxivInput`    `def _run(`        `self,`        `query: str,`        `run_manager: Optional[CallbackManagerForToolRun] = None,`    `) -> str:`        `"""Use the Arxiv tool."""`        `return self.api_wrapper.run(query)

在某些情况下,你可能需要优化工具以提升性能,例如:

  • 通过Prompt Engineering(提示工程)调整工具名称或描述,提高匹配度。

  • 设定高级配置,处理常见错误。

  • 过滤工具输出,确保结果符合期望。

第 5 步:制定记忆管理策略

LLM 的上下文窗口(context window)是有限的,它决定了模型可以“记住”的内容量。例如:多轮对话、长文本工具输出和额外的上下文信息都会快速占满上下文窗口。因此,合理的记忆管理策略至关重要。

在 Agent 的语境中,记忆是指系统存储、回忆和利用过去交互信息的能力。这使 Agent 能够随着时间的推移保持上下文,根据以前的交流改进其响应,并提供更个性化的体验。
常见的记忆管理策略

1️⃣ 滑动窗口记忆(Sliding Memory):保留最近的k 轮对话,丢弃旧内容。
2️⃣ Token 记忆(Token Memory):仅保留最近的 n 个 token,其余丢弃。
3️⃣ 摘要记忆(Summarized Memory):每轮对话后,使用 LLM 生成摘要,然后丢弃具体对话内容。
4️⃣ 关键点存储(Key Moment Storage):让 LLM 识别关键事实并存入长期记忆,使 Agent 能“记住”重要信息,为用户提供更个性化的体验。

目前,我们已经覆盖了 Agent 构建的五个核心步骤:

✅ Step 1:定义 Agent 任务与行为模式(ReAct、Plan-then-Execute)
✅ Step 2:Prompt Engineering(确保 Agent 行为符合预期)
✅ Step 3:编写核心指令(定义角色、风格、工具使用策略等)
✅ Step 4:定义并优化核心工具(如 Web 搜索、数据库查询等)
✅ Step 5:制定内存管理策略(防止上下文溢出)

那么,如果我们现在让 LLM 直接处理用户查询,会发生什么? 🚀

举个例子,可能会发生:

User Message: Extract key insighs from this dataset``Files: bill-of-materials.csv``Thought: First, I need to inspect the columns of the dataset and provide basic data statistics.``Function Name: Python``Function Input: {"language":"python","code":"import pandas as pd\n\ndataset = pd.read_csv('bill-of-materials.csv')\n\nprint(dataset.columns)\nprint(dataset.describe())","inputFiles":["bill-of-materials.csv"]}``Function Output:
用户消息:从此数据集中提取关信息``文件:bill-of-materials.csv``想法:首先,我需要检查数据集的列并提供基本数据统计信息。``函数名称:Python``函数输入:{"language":"python","code":"import pandas as pd\n\ndataset = pd.read_csv('bill-of-materials.csv')\n\nprint(dataset.columns)\nprint(dataset.describe())","inputFiles":["bill-of-materials.csv"]}``函数输出:

此时,Agent 生成的是原始文本输出。那么,如何让它执行下一步操作呢?这就需要解析(Parsing)和编排(Orchestration)。

第 6 步:解析 Agent 的原始输出

解析器(Parser)是一种将原始数据转换为应用程序可理解格式(例如带有属性的对象)的函数。

对于我们正在构建的 Agent,解析器需要识别第 2 步中定义的通信结构,并返回结构化输出(如 JSON)。这样,应用程序就能更容易地处理和执行 Agent 的下一步操作。

注意:部分模型提供商(如 OpenAI)默认支持可解析的输出。而对于其他模型(特别是开源模型),可能需要手动配置此功能。

第 7 步:编排 Agent 的下一步操作

最后一步是设置编排逻辑,用于决定 LLM 在生成结果后的处理方式。根据输出内容,你可能需要:

  1. 执行工具调用(如运行 Python 代码、调用 API)。

  2. 返回答案,即向用户提供最终响应,或请求额外信息以进一步完成任务。

如果触发了工具调用,则工具的输出将发送回 LLM(作为其工作记忆的一部分)。然后,LLM 将确定如何处理这些新信息:执行另一个工具调用或向用户返回答案。

以下是此编排逻辑在代码中的样子:

def orchestrator(llm_agent, llm_output, tools, user_query):`    `"""`    `Orchestrates the response based on LLM output and iterates if necessary.`    `Parameters:`    `- llm_agent (callable): The LLM agent function for processing tool outputs.`    `- llm_output (dict): Initial output from the LLM, specifying the next action.`    `- tools (dict): Dictionary of available tools with their execution methods.`    `- user_query (str): The original user query.`    `Returns:`    `- str: The final response to the user.`    `"""`    `while True:`        `action = llm_output.get("action")`        `if action == "tool_call":`            `# Extract tool name and parameters`            `tool_name = llm_output.get("tool_name")`            `tool_params = llm_output.get("tool_params", {})`            `if tool_name in tools:`                `try:`                    `# Execute the tool`                    `tool_result = tools[tool_name](**tool_params)`                    `# Send tool output back to the LLM agent for further processing`                    `llm_output = llm_agent({"tool_output": tool_result})`                `except Exception as e:`                    `return f"Error executing tool '{tool_name}': {str(e)}"`            `else:`                `return f"Error: Tool '{tool_name}' not found."`        `elif action == "return_answer":`            `# Return the final answer to the user`            `return llm_output.get("answer", "No answer provided.")`        `else:`            `return "Error: Unrecognized action type from LLM output."

大功告成! 你现在已经构建了一个可以处理多种场景的系统——无论是竞争分析、深度研究,还是自动化复杂的工作流,都能轻松应对。

Multi-Agent 系统的作用?

尽管当前一代的 LLM 功能强大,但它们仍然存在一个核心限制:难以处理信息过载。

如果上下文信息过多,或使用的工具过于复杂,模型可能会因超载而导致性能下降。单个通用 Agent 迟早会遇到这个瓶颈,尤其是当它大量消耗 token 时。

对于某些应用场景,采用 Multi-Agent**(多 Agent)**方案可能更合理。通过将任务拆分到多个 Agent 之间,可以减少单个 LLM 需要处理的上下文,从而提高整体效率。

不过,从单 Agent 入手仍然是一个绝佳的起点,尤其是在原型阶段。它能帮助你快速测试应用场景,并发现系统的瓶颈所在。
在此过程中,你可以:

  • 理解任务的哪些部分真正需要 Agent 来执行。

  • 识别可以拆分成独立流程的子任务,以便构建更大的工作流。

从单个 Agent 开始,你可以逐步获取有价值的信息,为未来扩展到更复杂的系统打下基础。

如何快速上手?

准备好开始构建了?

使用一个框架是快速测试和迭代 Agent 配置的好方法。

  • 如果你计划使用开源模型(如 Llama 3)可以尝试 Bee Agent Framework 提供入门模板:

    https://github.com/i-am-bee/bee-agent-framework

  • 如果你计划使用前沿模型(如 OpenAI)可以参考 LangGraph 提供的教程:

    https://langchain-ai.github.io/langgraph/

如何系统的去学习大模型LLM ?

大模型时代,火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业?”“谁的饭碗又将不保了?”等问题热议不断。

事实上,抢你饭碗的不是AI,而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后,很多中小企业也陆续进场!超高年薪,挖掘AI大模型人才! 如今大厂老板们,也更倾向于会AI的人,普通程序员,还有应对的机会吗?

与其焦虑……

不如成为「掌握AI工具的技术人」,毕竟AI时代,谁先尝试,谁就能占得先机!

但是LLM相关的内容很多,现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学,学习成本和门槛很高。

基于此,我用做产品的心态来打磨这份大模型教程,深挖痛点并持续修改了近70次后,终于把整个AI大模型的学习门槛,降到了最低!

在这个版本当中:

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲,跟着我做即可,为了让学习的道路变得更简单,这份大模型教程已经给大家整理并打包,现在将这份 LLM大模型资料 分享出来:包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴,可以 扫描下方二维码领取🆓↓↓↓

👉优快云大礼包🎁:全网最全《LLM大模型入门+进阶学习资源包》免费分享(安全链接,放心点击)👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点,那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集,涵盖了大模型的理论研究、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。(几乎涵盖所有行业)
在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程(LLaLA/Meta/chatglm/chatgpt)

在这里插入图片描述

五、AI产品经理大模型教程

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1:AI大模型时代的基础理解

  • 目标:了解AI大模型的基本概念、发展历程和核心原理。

  • 内容:

    • L1.1 人工智能简述与大模型起源
    • L1.2 大模型与通用人工智能
    • L1.3 GPT模型的发展历程
    • L1.4 模型工程
    • L1.4.1 知识大模型
    • L1.4.2 生产大模型
    • L1.4.3 模型工程方法论
    • L1.4.4 模型工程实践
    • L1.5 GPT应用案例

阶段2:AI大模型API应用开发工程

  • 目标:掌握AI大模型API的使用和开发,以及相关的编程技能。

  • 内容:

    • L2.1 API接口
    • L2.1.1 OpenAI API接口
    • L2.1.2 Python接口接入
    • L2.1.3 BOT工具类框架
    • L2.1.4 代码示例
    • L2.2 Prompt框架
    • L2.3 流水线工程
    • L2.4 总结与展望

阶段3:AI大模型应用架构实践

  • 目标:深入理解AI大模型的应用架构,并能够进行私有化部署。

  • 内容:

    • L3.1 Agent模型框架
    • L3.2 MetaGPT
    • L3.3 ChatGLM
    • L3.4 LLAMA
    • L3.5 其他大模型介绍

阶段4:AI大模型私有化部署

  • 目标:掌握多种AI大模型的私有化部署,包括多模态和特定领域模型。

  • 内容:

    • L4.1 模型私有化部署概述
    • L4.2 模型私有化部署的关键技术
    • L4.3 模型私有化部署的实施步骤
    • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴,可以 扫描下方二维码领取🆓↓↓↓

👉优快云大礼包🎁:全网最全《LLM大模型入门+进阶学习资源包》免费分享(安全链接,放心点击)👈

​

何构建一个通用的大模型智能体(LLM Agent) 为什么要构建一个通用的 Agent?因为它是一个出色的工具,可以用来原型化你的用例,并为设计你自己的定制 Agent 架构奠定基础。 阅读详情

相关推荐

DOA估计算法从原理到仿真——CBF、Capon、MUSIC算法

从原理出发理解并实现经典的DOA估计算法

m0_55845774的博客 1万+

【Agent】OpenManus-Agent-ToolCallAgent详细分析

openManus agent组件里面 ToolCallAgent 的详细分析

非晓为骁的博客 2073

mfcc总结,这个mel三角滤波器分组到底是如何起作用的呢?

先看fft频谱图(这是4096字节取样fft计算,横轴频率是从0到512,后边意义不大,未取,纵轴是振幅),那些我随便画的蓝色线,你有什么联想?: 再看,这绿色线,是否有一种上升后,便逐渐式微的感觉,都是三角形的,这或许也是mel当初和绝大多数人看到的: 如果在振幅上加上一条限制的黑线(振幅门槛限制),黑色线以下很多频率就没有意义了,你看,有用的频率连一半(512/2=256)都占不到...

ganggangwawa的博客 9911

最简明的大模型agent教程!

大模型Agent是结合了大规模神经网络模型和自主计算实体的技术,它具备强大的表达、学习和交互能力,能够在无人干预的情况下,根据环境信息自主决策和控制行为。简单而言之,agent是增强大模型能力的技术方案路径。主要包括:工具、工具选择方案,大模型工具应用3个部分。1用户给出一个任务(Prompt) -> 2思考(Thought) -> 3行动(Action) -> 4观察(Observation)

lvaolan的博客 2978

多普勒效应及多普勒频移的简单推导

多普勒频移的简单推导

m0_47867419的博客 3万+

基于 MATLAB 的综合能源系统建模案例 

电平衡约束:P_{gt}(t)+P_{grid}(t)-P_{eb}(t)-P_{load}(t)=0,其中 P_{grid}(t) 为与外部电网的交互功率(正表示购电,负表示售电)。- 电锅炉的热输出功率 Q_{eb} 与输入电功率 P_{eb} 的关系为:Q_{eb}=\eta_{eb}\times P_{eb},其中 \eta_{eb} 为电锅炉的热效率。- 燃气轮机的余热回收功率 Q_{gt} 与发电功率也存在一定关系,例如:Q_{gt}=c\times P_{gt},c 为余热回收比例系数。

qq_57128262的博客 1396

LLM Agent 概述

LLM Agent 是高级 AI 系统,旨在创建需要顺序推理的复杂文本。他们可以提前思考,记住过去的对话,并使用不同的工具根据所需的情况和风格调整他们的回答。现在,考虑一个详细的场景:根据新的数据隐私法,公司面临的常见法律挑战是什么,法院如何解决这些问题?这个问题比仅仅查找事实更深入。这是关于了解新规则,它们如何影响不同的公司,并了解法院对这一切的看法。一个简单的 RAG 系统可以提取相关的法律和案例,但它缺乏将这些法律与实际业务情况联系起来或深入分析法院判决的能力。

2301_76168381的博客 1226

PCB设计必看:铜皮厚度与载流能力对照表(附Excel计算工具)

本文深入解析了PCB设计中铜皮厚度与载流能力的核心关系,提供了基于IPC-2152标准的动态计算逻辑与实用Excel工具。文章不仅分享了载流对照表,更重点剖析了影响载流能力的关键因素(如铜厚、线宽、温升、布线层),并给出了高电流设计的实战技巧与测试验证方法,帮助工程师规避常见陷阱,实现从理论到实践的闭环设计。

weixin_29228781的博客 728

LangChain AgentExecutor invoke跟踪记录(二)

上回书说到,跟踪到二轮迭代时,我的模型挂了。实际上后来检查发现并没有挂,只是我当时太紧张了所以看错了(……)。所以今天我们再战!

weixin_42818780的博客 2091

如何使用Google Maps API爬取地理数据:详细教程与Python实现

Google Maps API 是一组服务的集合,允许开发者访问地图、地点、路线等地理信息。:将地址转换为地理坐标,或将地理坐标转换为地址。:计算两点之间的行车路线、步行路线等。Places API:获取附近的地点、商店、餐馆等。:计算多个地点之间的距离和时间。在接下来的代码中,我们将结合这些 API,展示如何获取并处理地理数据。本文详细介绍了如何使用 Google Maps API 获取地理数据,涵盖了从地址转经纬度、获取地点详情、计算路线、计算多个地点的距离与时间等多个功能。

2201_76125261的博客 733

YOLOv8改进 | 注意力篇 | 一文带你改进GAM、CBAM、CA、ECA等通道注意力机制和多头注意力机制

官方论文地址:官方论文地址点击此处即可跳转官方代码地址:官方代码地址点击此处即可跳转GAM旨在通过设计一种机制,减少信息损失并放大全局维度互动特征,从而解决传统注意力机制在通道和空间两个维度上保留信息不足的问题。GAM采用了顺序的通道-空间注意力机制,并对子模块进行了重新设计。具体来说,通道注意力子模块使用3D排列来跨三个维度保留信息,并通过一个两层的MLP增强跨维度的通道-空间依赖性。

Snu77的博客 4万+

一步步教你如何构建一个通用的大模型智能体(LLM Agent),我学废了!

为什么要构建一个通用的 Agent?因为它是一个出色的工具,可以用来原型化你的用例,并为设计你自己的定制 Agent 架构奠定基础。在我们深入讨论之前,先简单介绍一下LLM Agent。你可以选择跳过这一部分。

2401_84204207的博客 1398

【异常】XXL-job触发调度:address:http://192.168.x.x:x/ code:500 msg:xxl-rpc remoting error(connect timed out)

XXL-JOB调度任务失败分析:调度中心(10.254.234.80)与执行器(192.168.x.x)连接超时,返回500错误。主要原因是网络不通或执行器异常:1.网络不通可能由防火墙或网段隔离导致;2.执行器未启动或端口未监听;3.地址配置错误。解决方案:1.关闭代理使用内网;2.测试网络连通性和端口可用性;3.检查执行器进程状态和端口监听情况;4.核对执行器地址配置;5.必要时配置防火墙规则放行端口。

奶爸的编程之路,也就一周冷个三天 414

程序员入门必看!一步步教你构建通用大模型智能体(LLM Agent)

程序员入门必看!一步步教你构建通用大模型智能体(LLM Agent)

2301_76168381的博客 1610

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

大模型LLM | 从零开始构建一个通用AI Agent 智能体

若能访问一系列工具(例如:代码执行或网络搜索),AI Agent 智能体能够决定采用何种工具、如何运用它,并根据输出结果进行迭代优化。这种灵活性使得系统能以最低限度的配置应对多样化的应用场景。

Androiddddd的博客 1342

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

大模型应用系列——智能体(Agent)

最新的LangChain中LangChain 表达式语言(LCEL)已经成为了主流。LCEL是一种轻松地将链组合在一起的声明性方式。LCEL 从第一天起就被设计为支持将原型投入生产,无需更改代码,从最简单的“提示 + LLM”链到最复杂的链。LCEL基本样例: prompt + model + output parser。

hellozhxy的博客 1万+

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

收藏备用!一步步教小白/程序员构建通用大模型智能体(LLM Agent)

为什么要优先构建通用LLM Agent?对小白和初级程序员来说,它是快速验证大模型应用场景的"试金石",能帮你低成本完成用例原型;对进阶开发者而言,通用Agent的构建过程能为后续定制化Agent架构打下坚实基础,少走很多弯路。在深入实操前,先快速搞懂LLM Agent的核心概念(基础扎实的同学可直接跳过,直达构建步骤)。LLM Agent 是一款执行逻辑由底层大模型驱动的程序,区别于固定脚本,它具备自主决策和动态调整的能力。

大模型研究中心 1268
上一篇: GitHub 23k Star 在本地轻松运行AI模型的开源项目
下一篇: 从理论到实践:RAG、Agent、微调等6种常见的大模型定制策略
Llama-Turbo
博客等级 码龄4年 9901粉丝 2025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