app营销网站模板,phpcms获取网站名称,建网站需成本多少钱,有哪些网站有收录做红酒的商行Agent的前身Function Calling#xff0c;让大模型具备了调用外部工具的能力#xff0c;可这显然还不能构成一个能帮助我们干活的智能体。作为一个智能系统#xff0c;应该要具备自主感知、决策与行动能力#xff0c;通过观察环境并利用可用工具采取行动#xff0c;以实现特…Agent的前身Function Calling让大模型具备了调用外部工具的能力可这显然还不能构成一个能帮助我们干活的智能体。作为一个智能系统应该要具备自主感知、决策与行动能力通过观察环境并利用可用工具采取行动以实现特定目标。一个智能体的核心架构包括三部分模型作为“大脑”承担推理、规划和决策功能。工具作为“手脚”扩展智能体的行动能力。编排作为“神经系统”管理任务流程与状态切换。通过循环执行“感知→思考→行动→观察”实现动态决策。编排是什么模型和工具自然不必多说接下来重点介绍下编排它借助快速发展的prompt engineering及相关框架引导推理与规划使智能体能更高效地与环境交互并完成任务目前也有很多相关技术ReAct为语言模型提供“推理并行动”的思维策略支持在有/无上下文示例的情况下处理用户问题。CoT通过中间步骤实现推理能力的提示工程框架。其子技术包括self-consistency、active-prompt和multimodal CoT各自针对特定应用场景有不同优劣。ToT适用于探索性或战略前瞻任务的提示工程框架。它扩展了思维链提示技术允许模型探索多种思维链作为中间步骤从而通过语言模型实现通用问题求解。环境动态变化且需实时交互的场景如智能家居控制、机器人导航中可选择ReAct当任务高度结构化、逻辑明确如数学题、法律条文分析且无需外部数据时可选择CoT需全局优化或创意发散的任务如产品设计、战略规划可容忍较高计算成本时可选择ToT。ReActReAct 包含了 Reason 思考与 Act行动 两个部分它会让大模型把大问题拆分成小问题一步步地解决每一步都会尝试调用外部工具来解决问题并且还会根据工具的反馈结果思考工具调用是否出了问题。如果判断出问题了大模型会尝试重新调用工具。这样经过一系列的工具调用后最终完成目标。实际上要想赋予大模型ReAct能力就需要向其提供ReAct Prompt来引导它一步步地思考如何解决问题。我们可以在LangChain官方提供的ReAct Prompt基础上做一些修改{instructions} TOOLS: ------ You have access to the following tools: {tools} To use a tool, please use the following format: \ Thought: Do I need to use a tool? Yes Action: the action to take, should be one of [{tool_names}] Action Input: the input to the action Observation: the result of the action \ When you have a response to say to the Human, or if you do not need to use a tool, you MUST use the format: \ Thought: Do I need to use a tool? No Final Answer: [your response here] \ Begin! New input: {input}这段Prompt首先告诉大模型你可以使用某个工具然后在回答用户的问题之前执行N次思考-行动-输入提取-观察工具结果一系列步骤直到得到最终的答案再将其返回给用户。下面我们就来一步一步实现一个简单的Agent吧首先将前面的Prompt赋值给变量REACT_PROMPT然后我们还是借用之前定义过的查询天气的工具tools [ { type: function, function: { name: get_weather, description: Get weather of an location, the user shoud supply a location first, parameters: { type: object, properties: { location: { type: string, description: The city and state, e.g. San Francisco, CA, } }, required: [location] }, } }, ] def get_weather(location): # 内置city代码 cities { 北京: 101010100, 上海: 101020100, 成都: 101270101 } # api地址 url http://t.weather.sojson.com/api/weather/city/ # 通过城市的中文获取城市代码 city_code cities.get(location) # 网络请求传入请求api城市代码 response requests.get(url city_code) # 将数据以json形式返回这个d就是返回的json数据 d response.json() res str(d) return res最后我们可以将Agent的思考过程和工具调用结合到一起值得注意的是工具的调用仍然需要人为介入而且要通过正则表达式从大模型的回复中提取函数名及输入参数。client OpenAI( api_keyAPI_KEY, base_urlhttps://api.deepseek.com, ) def send_messages(messages): response client.chat.completions.create( modeldeepseek-chat, messagesmessages, toolstools ) return response.choices[0].message instructions 你是一个天气查询助手可以查询天气 query 成都今日的温度是多少? prompt REACT_PROMPT.format(instructionsinstructions, toolstools, tool_namesget_weather, inputquery) messages [{role: user, content: prompt}] while True: response send_messages(messages) response_text response.choices[0].message.content print(大模型的回复) print(response_text) final_answer_match re.search(rFinal Answer:\s*(.*), response_text) if final_answer_match: final_answer final_answer_match.group(1) print(最终答案:, final_answer) break messages.append(response.choices[0].message) action_match re.search(rAction:\s*(\w), response_text) action_input_match re.search(rAction Input:\s*({.*?}|.*?), response_text, re.DOTALL) if action_match and action_input_match: tool_name action_match.group(1) params json.loads(action_input_match.group(1)) if tool_name get_weather: observation get_weather(params[location]) print(人类的回复Observation:, observation) messages.append({role: user, content: fObservation: {observation}})从下面的输出中 我们可以看到模型经历了两轮思考第一轮面对用户的问题使用了天气查询工具获取了天气信息在第二轮由于已经有了答案因此就直接返回结果了。总结通过上面的例子我们实现了一个基于ReAct的简易Agent不过现在的市面上已经有很多可视化的Agent平台了我们完全可以借助它们来快速搭建自己的应用之后会逐步介绍目前比较流行的平台。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】