hello-agents/ #123
giscus[bot]
bot
-
hello-agents/Description |
Beta Was this translation helpful? Give feedback.
Replies: 26 comments 16 replies
-
|
Hello, thank you for learning HelloAgents. The discussion forum is specifically for discussing the exercises after class. If you have any insights, please feel free to share them here! |
Beta Was this translation helpful? Give feedback.
-
|
习题1： 理由： 总结：该超级计算机更接近于一种资源或平台，而非智能体。它缺乏智能体的核心特征，如感知-决策-行动循环。 |
Beta Was this translation helpful? Give feedback.
-
|
某电商公司正在考虑两种方案来处理售后退款申请： 方案 A（Workflow）：设计一套固定流程，例如： A.1 对于一般商品且在 7 天之内，金额 < 100RMB 自动通过；100-500RMB 由客服审核；>500RMB 需主管审批；而特殊商品（如定制品）一律拒绝退款 A.2 对于超过 7 天的商品，无论金额，只能由客服审核或主管审批； 方案 B（Agent）：搭建一个智能体系统，让它理解退款政策、分析用户历史行为、评估商品状况，并自主决策是否批准退款 请分析： 这两种方案各自的优缺点是什么？
|
Beta Was this translation helpful? Give feedback.
-
|
提示工程（Prompt Engineering），指令模版中，缺少了Observation，但是后续的代码出现了，加上可能效果会更好；但是也不排除现在大模型已经在前置内部提示中，内置Observation的可能？ |
Beta Was this translation helpful? Give feedback.
-
|
Observation就是指我们外界给他传入的信息，他获取到的过程已经是Observation了 |
Beta Was this translation helpful? Give feedback.
-
|
作者您好。明白你的意思。每次调用llm.generate(full_prompt, system_prompt=AGENT_SYSTEM_PROMPT)时，传入的full_prompt就是包含Thought，Action，Observation的信息，我们每次拼接full_prompt时，TAO都拼进去了，但提示工程中只提到了要输出T和A的格式和位置，需不需要再加上根据O（明确告诉Observation这个名字，和格式，模版位置），让输入的模型明确知道Observation的含义。猜测可能现在模型是本身就知道TAO，所以根据T和A预判了full_prompt中Observation的含义？ |
Beta Was this translation helpful? Give feedback.
-
|
能把具体的位置告诉我吗，我去看看，建议在issue里讨论，discussion是用来讨论课后习题的哈 |
Beta Was this translation helpful? Give feedback.
-
|
思维链（Chain-of-Thought）推理：通过引导模型在回答复杂问题前，先输出一步步的推理过程，可以显著提升其在逻辑、算术和常识推理任务上的准确性。 |
Beta Was this translation helpful? Give feedback.
-
|
代码示例的提示词工程里，Action的这个例子感觉会让有的模型产生我一定要调用一个tool的幻觉，导致陷入无限循环。是不是在Action里加上如何finish更好，逻辑链更连贯。 |
Beta Was this translation helpful? Give feedback.
-
|
yes |
Beta Was this translation helpful? Give feedback.
-
|
分析电商公司采用什么流程，涵盖业务 技术和风险维度。 |
Beta Was this translation helpful? Give feedback.
-
|
干货满满，追求极致正确的情况下，甚至可以高层Plan-and-Solve + 底层ReAct，最后设定特定条件下触发Reflection反思，通过用大量的算力换取准确性能提升？ |
Beta Was this translation helpful? Give feedback.
-
|
Case A：符合冯・诺依曼结构的超级计算机（非智能体） Case B：特斯拉自动驾驶系统（是智能体）混合式智能体 Case C：AlphaGo（是智能体） Case D：ChatGPT 扮演的智能客服（是智能体） |
Beta Was this translation helpful? Give feedback.
-
Case A：冯·诺依曼架构超级计算机判断：不属于智能体 理由：
Case B：特斯拉自动驾驶系统判断：属于智能体 ✓ 类型分析： 从自主性维度
从环境交互维度
从应用场景维度
核心特征：
Case C：AlphaGo判断：属于智能体 ✓ 类型分析： 从认知能力维度
从决策机制维度
从学习能力维度
从应用场景维度
核心特征：
Case D：ChatGPT智能客服判断：属于智能体 ✓ 类型分析： 从架构维度
从能力维度
从交互维度
从功能集成维度
核心特征：
对比总结表
关键区分点： 智能体的本质是"感知-决策-行动"的自主循环，而非单纯的计算能力。 |
Beta Was this translation helpful? Give feedback.
-
一、PEAS 模型P - Performance Measure (性能度量)核心指标
E - Environment (环境)物理环境
生理环境
行为环境
A - Actuators (执行器)
S - Sensors (传感器)硬件传感器
用户输入
历史数据
二、环境特性分析1. 部分可观察 (Partially Observable) ★★★★☆
2. 单智能体 (Single Agent) ★☆☆☆☆
3. 随机性 (Stochastic) ★★★★☆
4. 序列化 (Sequential) ★★★★★
5. 动态环境 (Dynamic) ★★★★☆
6. 混合型 (Continuous & Discrete) ★★★☆☆
7. 部分已知 (Partially Known) ★★★☆☆
三、综合对比
综合复杂度：★★★★☆ (高度复杂) |
Beta Was this translation helpful? Give feedback.
-
一、两种方案对比分析方案 A：Workflow（工作流）优点 ✓
缺点 ✗
方案 B：Agent（智能体）优点 ✓
缺点 ✗
二、适用场景分析Workflow 更合适的场景
典型案例：京东"211限时达"退款 —— 规则明确，时效要求高，workflow 响应快 Agent 更有优势的场景
典型案例：淘宝"小蜜"客服 —— 处理海量咨询，需理解语义并个性化响应 三、决策建议（负责人视角）我的选择：阶段性策略第一阶段（0-6个月）：Workflow 为主理由：
配置： 第二阶段（6-18个月）：Workflow + Agent 辅助
价值：
第三阶段（18个月后）：混合架构（方案C）
四、方案 C：混合架构设计核心思想：分层决策 + 人机协同详细设计1. 规则层（Workflow）职责：处理简单明确案例（~50%订单） 优势：
2. 智能层（Agent）职责：综合分析复杂案例（~45%订单） 输入特征： {
"订单信息": {金额, 商品类型, 购买时间},
"用户画像": {信用分, 历史订单数, 退款率, 会员等级},
"退款详情": {申请时间, 退款原因(NLP), 图片证据},
"商品状态": {质量评分, 近期退款率, 库存},
"上下文": {节日促销, 物流异常, 同批次问题}
}决策输出： {
"决策": "批准/拒绝/不确定",
"信心分数": 0.92,
"关键因素": ["用户首次退款", "物流超时7天", "高价值客户"],
"建议操作": "批准并赠送50元券安抚"
}分流逻辑：
3. 人工层（Human-in-the-loop）职责：处理边缘案例（~5%）+ 监督学习 工作流：
案例库建设 混合架构的优势
|
Beta Was this translation helpful? Give feedback.
-
|
1、caseA不是 caseB是反应性智能体 caseC是规划智能体 caseD是混合式智能体 |
Beta Was this translation helpful? Give feedback.
-
|
1： |
Beta Was this translation helpful? Give feedback.
-
第三章问题上下文示例 (In-context Example) 与少样本提示有什么联系和区别？ 习题1.1. P(agent works)=P(agent)P(works|agent)=(2/6)(1/2)=1/6 2.1. 自注意力机制思想：建模在序列中的上下文关系，计算权重
5.1. RAG。工作原理：基于相关文档切块、索引、存储并构建出一个知识库，根据问题和知识库中的相似度计算，得到输出结果。适用场景：进一步增强大模型知识的时效性，扩充到最新的知识，用于对私有知识的处理 6.1. gpt-5。gpt-5的幻觉低，能避免输出非论文中的内容和虚假信息，但是输出不是太清晰。 |
Beta Was this translation helpful? Give feedback.
-
我认为这个问题非常棒！不仅是学术研究，垂类的生产环境也很需要agent的稳定和准确。我想到最简单的办法就是在prompt中限制，以及可以在RAG的过程中加入准确性、忠诚度检查与反馈，甚至对rag做强化学习？不知道大家有什么不同的想法嘛 |
Beta Was this translation helpful? Give feedback.
-
|
作者你好，我在最近这个的学习中，最开始是准备按照作者的线路一点点复现的，但是发现代码量有点宏大，在Tool工具的实现过程中也有很多的细节，以及许多作者较为精妙或者是工程化可进行后续拓展以及规范化的设计方式，导致在复现代码学习上十分缓慢，作者认为这样的方式有必要吗。或者对于作者的agent的项目学习，您更推荐用什么方式呢 |
Beta Was this translation helpful? Give feedback.
-
|
issue中#85 已经回复了类似的问题哈，以后有问题欢迎提Issue，discussion留给习题讨论~ |
Beta Was this translation helpful? Give feedback.
-
第四章思考/问题问题1关于 Reflection.py 代码，我在想是否最好将每轮生成的code和feedback统一存储到memory中，然后从memory中获取信息，构建prompt？当前代码有的是从memory中读取last_code ，有的直接从函数返回得到feedback，感觉好像是有点乱 如果修改，只需要在Memory类中创建一个获取最新反思结果的函数 然后修改 作业1.1 ReAct 在思考上会获得由行动所获得的环境反馈信息，行动的特点是支持外部工具的调用；P&S 在思考上有设计，能够拆分出子任务，但是在行动上没有什么特别设计；Reflecxion 在思考或行动上没有什么特别设计，引入迭代的思想对流程做优化 1.2 ReAct 支持外部工具调用，PS 能够制定详细的子任务，我会基于这两种架构来设计。因为Reflexion会花费太多的时间成本，不太适合，但是其中的记忆机制可以对用户习惯做追踪，可以拆取其中的记忆机制，以补充ReAct+PS。 1.3 可以组合，deep research场景，需要调用搜索工具，拆解用户复杂需求，不断迭代反馈给用户高质量回复。 2.1 该方法假定大模型输出格式符合正则，一旦大模型输出格式错误会比较导致信息提取失败 2.2 我觉得设置输出固定为 json 格式来解析更好，因为当前大多数大模型对 json 格式支持的比较好 2.3 待修改代码
4.1 收集行动及其observation，在进行下一轮行动前，让大模型思考，是否可以继续按着当前步骤进行，如果不可以就尝试重新制定计划，具体在 4.2 结合起来更好，既能制定分步骤的详细计划，又能调用工具。单看的化，可以选择 ReAct 4.3 避免步骤过于零散，适用于步骤过多的场景？使用嵌套的list或嵌套dict来实现？ 5.1 效率提升 5.2 使用另一个模型来评估是否可以完成用户问题，从而设定终止条件？ 5.3 多维度的反思可以通过设定特殊的提示词，让大模型从预先定义的几个角度来提供反思结果 6.1 ReAct提示词特点是定义了工具，并要求每次行动为条用工具或输出最终结果，对思考过程没有做细致的拆分 6.2 6.3 
7.1. 全部都可以用，基于ReAct调用工具，reflection的反思，PS的步骤规划 7.2. 在线查询订单、查询政策文件、撰写邮件并发送 7.3. 设定角色：你是一位注重准确性的电商客服。你的首要任务是提供准确、清晰、可靠的信息。在回答中，请始终做到：准确无误，礼貌友好，简洁高效。 7.4 响应及时性：如果使用reflection机制，可能造成给顾客反馈慢的问题。如果长时间未反馈，则由人工克服介入； |
Beta Was this translation helpful? Give feedback.
-
|
电商退款方案 C：分层式人机协同决策
|
Beta Was this translation helpful? Give feedback.
-
|
某电商公司正在考虑两种方案来处理售后退款申请： 方案 A（Workflow）：设计一套固定流程，例如： A.1 对于一般商品且在 7 天之内，金额 < 100RMB 自动通过；100-500RMB 由客服审核；>500RMB 需主管审批；而特殊商品（如定制品）一律拒绝退款 A.2 对于超过 7 天的商品，无论金额，只能由客服审核或主管审批； 方案 B（Agent）：搭建一个智能体系统，让它理解退款政策、分析用户历史行为、评估商品状况，并自主决策是否批准退款 请分析： 这两种方案各自的优缺点是什么？ A方案的优势就是流程可控，比较好预测，稳定性会比较高。B方案的优势是可以分析更多的背景信息数据进行更人性化的判断 |
Beta Was this translation helpful? Give feedback.
-
|
请问，使用open ai的 api是不是调不通呀 |
Beta Was this translation helpful? Give feedback.
-
|
需要自己申请open ai的api，或者用一些国产模型的api代替一下也能跑 |
Beta Was this translation helpful? Give feedback.
-
第一章1.3节就已经提供了快捷的获取api方式，可以自行去搜索一下。 |
Beta Was this translation helpful? Give feedback.
-
|
https://www.perplexity.ai/search/ben-zhang-jie-shao-liao-san-ch-hKWo6fq9QBuZwBYSip6zdA ai解题 |
Beta Was this translation helpful? Give feedback.
-
|
打开链接显示：This answer is private. You can access this page if the owner accepts your request. |
Beta Was this translation helpful? Give feedback.
-
|
https://www.perplexity.ai/search/ben-zhang-jie-shao-liao-san-ch-hKWo6fq9QBuZwBYSip6zdA |
Beta Was this translation helpful? Give feedback.
-
|
点多了 |
Beta Was this translation helpful? Give feedback.
-
|
INFO:hello_agents.memory.storage.qdrant_store:✅ 成功连接到Qdrant云服务: 这一章开头的demo代码我这里为什么会有两次连接Qdrant |
Beta Was this translation helpful? Give feedback.
-
|
这类问题最好放在issue，可以看一下云端的启动没有？有一个控制台 |
Beta Was this translation helpful? Give feedback.
-
第五章coze 的链接：https://code.coze.cn/ 问题coze 每日 AI 简报助手中下面三处不知道怎么做？教程中信息较少，coze网页没有摸索出来😓 |
Beta Was this translation helpful? Give feedback.
-
|
教程中的coze每日 AI 简报助手是一个工作流。 |
Beta Was this translation helpful? Give feedback.
-
|
感谢大佬指点，成功了 😁 因为我原本想让插件抓取中文三大顶会的内容，发现抓取不了，只能抓取教程中的那几个，所以返回结果不多。 因为那个插件只抓取近 24h 的内容，所以当输入其他时间，也只是返回24小时内的新闻。 
|
Beta Was this translation helpful? Give feedback.
-
|
第5章的实战教程不清晰，一步一步操作根本做不出来，尤其是n8n那部分，前后逻辑不清晰，这种实操建议还是录一个视频会好一点。 |
Beta Was this translation helpful? Give feedback.
-
|
已经在进行中了。如果有你觉得的逻辑问题，欢迎提PR和issue反馈 |
Beta Was this translation helpful? Give feedback.
-
|
https://www.perplexity.ai/search/jie-da-xi-ti-fudI.6WJQAqK4gpOtPsjNw#1 |
Beta Was this translation helpful? Give feedback.
-
|
在chapter8，配置Qdrant时，我通过脚本验证了云端 URL 和 API KEY是有效的。但在使用 MemoryTool 时，框架日志显示其初始化 EpisodicMemory 成功连上云端，但在初始化 SemanticMemory 时却跳回了 localhost，改了一下源码，两个都连上云端了，现在还在攻克neo4j中... |
Beta Was this translation helpful? Give feedback.
-
第一章以下四个
|
Beta Was this translation helpful? Give feedback.
and others
Hello, thank you for learning HelloAgents. The discussion forum is specifically for discussing the exercises after class. If you have any insights, please feel free to share them here!