Skip to content

Commit 0fee7a9

Browse files
jiangyangcreatejiangyangcreate
committed
精简目录结构
1 parent 31d92ae commit 0fee7a9

File tree

3 files changed

+72
-390
lines changed

3 files changed

+72
-390
lines changed

‎docs/docs/大模型的应用/Agent开发.mdx‎

Lines changed: 72 additions & 186 deletions
Original file line numberDiff line numberDiff line change
@@ -17,25 +17,8 @@ Agent的三个核心板块：模型、工具、流程。
1717

1818
单一智能体各家都可以实现，因此技术选型主要集中在如何快速构建多智能体流程，尤其在于：记忆管理（分组、长短记忆、修剪与同步）、human-in-the-loop、智能体切换逻辑。
1919

20-
| 开发方式 | 代表产品/框架 | 优点 | 缺点 |
21-
| ----------------- | ------------------------ | ---------------------------------------------- | --------------------------------------------------------------------------------------------------------------------------------- |
22-
| 低代码/无代码开发 | Coze | • 简单易用 | • 功能有限• 收费昂贵• 云端执行非自主（必须联网）• 不可控• 不同平台差异大，不易迁移• 插件大多需要独立的Token• 平台可用的大模型有限 |
23-
| 框架开发 | LangChain、AutoGen、MG等 | • 功能强大• 可以满足复杂需求• 代码可以灵活复用 | • 需要一定的技术门槛 |
24-
2520
## Agent 设计理论
2621

27-
### Agent 开发与变化趋势
28-
29-
| 时代 | 主要特点 | 示例 | 局限性 |
30-
|------------|--------------------------------------------------------------------------|----------------------------------------------------------------------|------------------------------------------------------------------------|
31-
| 规则时代 | 基于预定义规则和关键词匹配，无法理解语言深层含义。 | 用户说“小爱同学，关灯”，必须精确匹配关键词才能执行。 | 无法处理复杂语义；智能化提升依赖于编写更复杂的规则。 |
32-
| Agent 1.0 | 利用语义理解处理自然语言变体和歧义，但仅限于单个任务。 | 用户说“帮我给张总打电话”，即使通讯录中是“张三总”，也能正确识别并拨打。 | 不能串联多个任务或处理复杂工作流程。 |
33-
| Agent 2.0 | 能将多个任务串联成工作流程，自动规划和执行，但依赖于提供的函数或API。 | 用户说“查询明天天气并给某联系人发邮件”，Agent能自动完成整个过程。 | 无法处理未提供工具的任务；类似智能驾驶只能在特定路段自动驾驶。 |
34-
| Agent 2.5 | 具备多模态理解，如视觉，能使用通用工具执行任务，不再局限于特定API。 | 用户说“用PS调整这张照片的对比度”，或“识别森林摄像头中的多种珍稀动物”。 | 相较于职业熟练度顶级的人类，执行速度较慢；特定任务效率低于传统方案。 |
35-
| Agent 3.0 | 能够调用子代理为自己编写代码工具。结合视觉理解甚至可以帮你申请API_KEY | 用户说“查下我的快递” | 编写对应的查询API，并调用执行。 |
36-
37-
### 大模型调用工具方式
38-
3922
大模型本身不具备执行能力，需要调用工具。
4023

4124
调用方式都是换汤不换药，就是将可调用的工具（函数）作为提示词的一部分，传入给大模型。大模型做选择填空，并返回特定格式。
@@ -45,151 +28,8 @@ Agent的三个核心板块：模型、工具、流程。
4528

4629
<Highlight>Agent中的大模型，第一核心能力是让“大模型做选择填空，并返回特定格式”的指令遵循能力</Highlight>。
4730

48-
#### 提示词工程
49-
50-
```python showLineNumbers
51-
import openai
52-
import re
53-
import datetime
54-
55-
# 设置 OpenAI API Key
56-
openai.api_key = "YOUR_API_KEY"
57-
58-
# 实际业务函数：获取天气信息
59-
def get_current_weather(location):
60-
# 模拟获取天气的逻辑
61-
return f"{location}的当前天气是晴朗。"
62-
63-
# 新增的工具：获取当前时间
64-
def get_current_time():
65-
now = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")
66-
return f"当前时间是: {now}"
67-
68-
def prompt_engineered_function_call(user_input):
69-
"""
70-
使用提示词工程实现函数调用：
71-
1. 当用户输入中涉及"天气"关键词时，输出调用 get_current_weather 的指令，
72-
格式：CALL get_current_weather(location="<城市名称>")
73-
2. 当用户输入中涉及"时间"关键词时，输出调用 get_current_time 的指令，
74-
格式：CALL get_current_time()
75-
3. 如果用户的问题不涉及"天气"或"时间"，则直接回答。
76-
"""
77-
prompt = f"""
78-
你是一个智能助手，以下是你的工作规则：
79-
1. 当用户提问包含"天气"关键词时，请按照格式输出函数调用指令，格式如下：
80-
CALL get_current_weather(location="<城市名称>")
81-
2. 当用户提问包含"时间"关键词时，请按照格式输出函数调用指令，格式如下：
82-
CALL get_current_time()
83-
3. 如果用户的问题不涉及"天气"或"时间"，请直接给出答案，不要输出任何函数调用指令。
84-
85-
请根据以下用户输入返回结果：
86-
用户输入：{user_input}
87-
"""
88-
response = openai.ChatCompletion.create(
89-
model="gpt-3.5-turbo", # 或其他支持的模型
90-
messages=[
91-
{"role": "system", "content": "你是一个智能助手，根据规则输出相应格式。"},
92-
{"role": "user", "content": prompt}
93-
],
94-
temperature=0.2
95-
)
96-
return response.choices[0].message.content.strip()
97-
98-
if __name__ == '__main__':
99-
user_query = input("请输入查询内容: ")
100-
model_reply = prompt_engineered_function_call(user_query)
101-
print("模型回复:", model_reply)
102-
103-
# 判断模型回复是否为函数调用指令
104-
if model_reply.startswith("CALL get_current_weather"):
105-
# 解析 location 参数
106-
match = re.search(r'location="(.+?)"', model_reply)
107-
if match:
108-
location = match.group(1)
109-
result = get_current_weather(location)
110-
print("调用函数结果:", result)
111-
else:
112-
print("无法解析函数调用参数。")
113-
elif model_reply.startswith("CALL get_current_time"):
114-
result = get_current_time()
115-
print("调用函数结果:", result)
116-
else:
117-
print("直接回答:", model_reply)
118-
```
119-
120-
#### function calling
121-
122-
function calling 是 OpenAI 推出的一个功能，允许开发者将大模型的输出结果作为函数调用，并执行函数。一定程度上简化了代码。
123-
124-
```python showLineNumbers
125-
import openai
126-
import json
127-
128-
# 请设置你的 OpenAI API Key
129-
openai.api_key = "YOUR_API_KEY"
130-
131-
# 定义实际业务函数：获取天气信息
132-
def get_current_weather(location):
133-
# 模拟获取天气信息的逻辑
134-
return f"{location}的当前天气是晴朗。"
135-
136-
# 定义大模型可调用的函数描述（Function Schema）
137-
functions = [
138-
{
139-
"name": "get_current_weather",
140-
"description": "获取指定城市的天气",
141-
"parameters": {
142-
"type": "object",
143-
"properties": {
144-
"location": {"type": "string", "description": "城市名称"}
145-
},
146-
"required": ["location"]
147-
}
148-
}
149-
]
150-
151-
def large_model_integration(user_input):
152-
"""
153-
模拟大模型处理用户输入，
154-
若识别到需要调用天气查询函数，则使用函数调用功能。
155-
"""
156-
# 调用大模型接口，启用函数调用
157-
response = openai.ChatCompletion.create(
158-
model="gpt-4-0613", # 模型支持函数调用
159-
messages=[{"role": "user", "content": user_input}],
160-
functions=functions,
161-
function_call="auto" # 模型自动决定是否调用函数
162-
)
163-
164-
message = response["choices"][0]["message"]
165-
166-
# 判断是否触发了函数调用
167-
if message.get("function_call"):
168-
func_name = message["function_call"]["name"]
169-
arguments = message["function_call"]["arguments"]
170-
171-
# 解析函数参数
172-
args = json.loads(arguments)
173-
174-
# 根据函数名称调用对应的函数
175-
if func_name == "get_current_weather":
176-
result = get_current_weather(**args)
177-
return f"大模型调用函数 {func_name} 得到结果: {result}"
178-
else:
179-
return "大模型触发未知函数调用。"
180-
else:
181-
# 如果大模型没有调用函数，则直接返回回答
182-
return message.get("content", "大模型未生成有效回复。")
183-
184-
if __name__ == '__main__':
185-
user_query = input("请输入查询内容: ")
186-
result = large_model_integration(user_query)
187-
print(result)
188-
189-
```
190-
191-
#### 工程化调用工具
19231

32+
#### langchain框架中Tool原理
19333

19434
```python showLineNumbers
19535
import json
@@ -346,6 +186,77 @@ if __name__ == "__main__":
346186
"""
347187
```
348188

189+
#### function calling
190+
191+
function calling 是 OpenAI 推出的一个功能，允许开发者将大模型的输出结果作为函数调用，并执行函数。一定程度上简化了代码。
192+
193+
```python showLineNumbers
194+
import openai
195+
import json
196+
197+
# 请设置你的 OpenAI API Key
198+
openai.api_key = "YOUR_API_KEY"
199+
200+
# 定义实际业务函数：获取天气信息
201+
def get_current_weather(location):
202+
# 模拟获取天气信息的逻辑
203+
return f"{location}的当前天气是晴朗。"
204+
205+
# 定义大模型可调用的函数描述（Function Schema）
206+
functions = [
207+
{
208+
"name": "get_current_weather",
209+
"description": "获取指定城市的天气",
210+
"parameters": {
211+
"type": "object",
212+
"properties": {
213+
"location": {"type": "string", "description": "城市名称"}
214+
},
215+
"required": ["location"]
216+
}
217+
}
218+
]
219+
220+
def large_model_integration(user_input):
221+
"""
222+
模拟大模型处理用户输入，
223+
若识别到需要调用天气查询函数，则使用函数调用功能。
224+
"""
225+
# 调用大模型接口，启用函数调用
226+
response = openai.ChatCompletion.create(
227+
model="gpt-4-0613", # 模型支持函数调用
228+
messages=[{"role": "user", "content": user_input}],
229+
functions=functions,
230+
function_call="auto" # 模型自动决定是否调用函数
231+
)
232+
233+
message = response["choices"][0]["message"]
234+
235+
# 判断是否触发了函数调用
236+
if message.get("function_call"):
237+
func_name = message["function_call"]["name"]
238+
arguments = message["function_call"]["arguments"]
239+
240+
# 解析函数参数
241+
args = json.loads(arguments)
242+
243+
# 根据函数名称调用对应的函数
244+
if func_name == "get_current_weather":
245+
result = get_current_weather(**args)
246+
return f"大模型调用函数 {func_name} 得到结果: {result}"
247+
else:
248+
return "大模型触发未知函数调用。"
249+
else:
250+
# 如果大模型没有调用函数，则直接返回回答
251+
return message.get("content", "大模型未生成有效回复。")
252+
253+
if __name__ == '__main__':
254+
user_query = input("请输入查询内容: ")
255+
result = large_model_integration(user_query)
256+
print(result)
257+
258+
```
259+
349260

350261
#### Mcp
351262

@@ -363,21 +274,12 @@ MCP 的缺点
363274
3. MCP 需要联网，在开发内部项目时需要额外对工具库项目封装。
364275

365276

366-
#### A2A
367-
368-
A2A 是 Agent 到 Agent 的通信，是多智能体系统中的一种通信方式。
369-
370-
371277
### 智能体流程架构类型分析
372278

373279
![alt text](https://langchain-ai.github.io/langgraph/concepts/img/multi_agent/architectures.png)
374280

375281
参考文章：https://langchain-ai.github.io/langgraph/concepts/multi_agent/
376282

377-
### 多智能体LLM系统失效原因
378-
379-
专门微调一个验证规则代理。拥有图片识别能力，浏览器操作能力
380-
381283
以下表格总结了多智能体系统失效分类体系（MASFT）及其失效模式的发生频率：
382284

383285
| 失效类别 | 发生频率 (%) | 失效模式 | 发生频率 (%) |
@@ -399,19 +301,3 @@ A2A 是 Agent 到 Agent 的通信，是多智能体系统中的一种通信方
399301

400302

401303
参考文章： https://www.aimodels.fyi/papers/arxiv/why-do-multi-agent-llm-systems-fail
402-
403-
404-
## 案例分析
405-
406-
### 构建能主动提问的智能体
407-
408-
常用于医疗咨询、商城导购、智能客服等场景。
409-
410-
### 构建Human-in-the-loop的智能体
411-
412-
常用于需要人工介入的场景，例如：购买商品需要人工确认、需要人工介入的复杂任务。
413-
414-
### 构建多智能体协作的智能体
415-
416-
常用于需要多个智能体协作的场景，例如：狼人杀、三国杀、斯坦福小镇等桌面游戏。
417-

‎docs/docs/项目管理/index.mdx‎

Lines changed: 0 additions & 23 deletions
This file was deleted.

0 commit comments

Comments
 (0)