AI Agent入門：Agent角色指令設(shè)計
共 4003字，需瀏覽 9分鐘
·
2024-07-11 11:00
向AI轉(zhuǎn)型的程序員都關(guān)注公眾號 機器學(xué)習(xí)AI算法工程
0、概要
Agent是干什么的？Agent的核心思想是使用語言模型（LLM）作為推理的大腦，以制定解決問題的計劃、借助工具實施動作。在agents中幾個關(guān)鍵組件如下：
LLM：制定計劃和思考下一步需要采取的行動。
Tools：解決問題的工具
Toolkits：用于完成特定目標(biāo)所需的工具組。一個toolkit通常包含3-5個工具。
AgentExecutor：AgentExecutor是agent的運行時環(huán)境。這是實際調(diào)用agent并執(zhí)行其選擇的動作的部分。
1、Agent整體架構(gòu)
代理（Agents）涉及LLM做出決策以確定要采取哪些行動，執(zhí)行該行動，查看觀察結(jié)果并重復(fù)執(zhí)行步驟直到完成。
在LLM驅(qū)動的自主代理系統(tǒng)中，LLM充當(dāng)代理的大腦，并輔以幾個關(guān)鍵功能：
規(guī)劃
子目標(biāo)拆解解：agent將大型任務(wù)拆解為小型的、可管理的子目標(biāo)，從而能夠高效處理復(fù)雜任務(wù)。
反思和改進：agent可以從過去的行為中進行自我批評和自我反省。這種從錯誤中吸取教訓(xùn)，并對未來的步驟進行改進的思維可以有效提高最終結(jié)果。真種思維方式來自ReAct，其大致格式為：Thought: ...Action: ...Observation: ... (Repeated many times)。即為ReAct模式。
記憶
短期記憶：上下文學(xué)習(xí)是利用模型的短期記憶來學(xué)習(xí)的。
長期記憶：通過利用外部向量存儲和快速檢索，agen可以實現(xiàn)長時間保留和回憶（無限）信息的能力。
工具使用
代理學(xué)習(xí)調(diào)用外部 API 以獲取模型權(quán)重中缺少的額外信息（通常在預(yù)訓(xùn)練后很難更改），包括當(dāng)前時訊、代碼執(zhí)行能力、對私有信息源的訪問等。自然可以自定義工具使用，如本地向量數(shù)據(jù)庫查找。
自定義工具方法類：
2、Agent業(yè)務(wù)實現(xiàn)邏輯
Agent的業(yè)務(wù)流程如下圖所示：
1. 用戶提出問題
2. Agent基于預(yù)設(shè)的Prompt，將問題包裝之后送給LLM
3. LLM返回給Agent結(jié)果和需要使用的工具
4. Agent使用工具獲取必要信息
5. 工具返回給Agent獲取到的信息
6. 打包上下文發(fā)再次送給LLM
7. LLM返回給Agent結(jié)果
8. Agent給用戶返回最終結(jié)果
3、LangChain中Agent實現(xiàn)
LangChain為代理提供了標(biāo)準(zhǔn)接口，一系列可供選擇的代理類型
langchain中agent有兩種主要類型：
動作代理人（Action agents）：在每個時間步上，使用所有先前動作的輸出決定下一個動作。
接收用戶輸入
決定是否使用任何工具以及工具輸入
調(diào)用工具并記錄輸出（也稱為“觀察結(jié)果”）
使用工具歷史記錄、工具輸入和觀察結(jié)果決定下一步
重復(fù)步驟 3-4，直到確定可以直接回應(yīng)用戶
計劃執(zhí)行代理人（Plan-and-execute agents）：預(yù)先決定所有動作的完整順序，然后按照計劃執(zhí)行，而不更新計劃。
接收用戶輸入
規(guī)劃要執(zhí)行的全部步驟序列
按順序執(zhí)行步驟，將過去步驟的輸出作為未來步驟的輸入
動作代理人適用于小任務(wù)，遵循ReAct模式。而計劃執(zhí)行代理人適用于復(fù)雜或長時間運行的任務(wù)，這些任務(wù)需要保持長期目標(biāo)和重點。
4. Agent示例代碼
Agent角色指令的概念
1、角色指令的定義
決定AI智能體的行為
決定AI智能體的輸出效果
匹配場景使用
2、角色指令的萬能公式
角色設(shè)定萬能公式 = 角色設(shè)定 + 使用場景 + 工具 + 限制 + 輸出樣式（附加：+例子）
角色設(shè)定：設(shè)定您想讓Agent扮演的角色，可以給出一些您期望它具備的能力。
使用場景+工具：描述您的應(yīng)用背景，并給出相應(yīng)背景下使用的工具，讓大模型可以在更為精確的場景下用匹配的工具行動。
限制：明確當(dāng)用戶輸入什么信息下生成什么樣的結(jié)果，使得答案更為精準(zhǔn)。
輸出樣式：輸出風(fēng)格和格式要求，使大模型更為匹配您的需求?？梢愿綆б恍├?，使其理解更為透徹。
角色指令的優(yōu)化策略
1、角色設(shè)定策略
給出角色設(shè)定請盡可能清晰簡短，盡量直接表述角色名稱，同樣也可以附加一些你所期望的能力作為補充。
2、工具選擇
代碼解釋器：代碼解釋器支持應(yīng)用運行代碼，具備分析數(shù)據(jù)、url信息提煉、處理上傳文件、數(shù)學(xué)運算等功能。
文生圖：大模型將結(jié)合文心一格生成對應(yīng)圖像。
知識問答-百度搜索：大模型將結(jié)合百度搜索結(jié)果回答問題。
知識問答-知識庫檢索：大模型將基于您上傳的知識文檔回答問題，可選擇直接上傳文件，或選擇已有知識集合。知識集合相關(guān)內(nèi)容可查看文檔我的知識。?
3、場景工具策略
盡可能一一對應(yīng)
做出描述
簡潔、直接
4、限制
盡可能一一對應(yīng)
描述越具體越好
?
5、輸出樣式策略
清晰明了
提出具體的要求
例如：字?jǐn)?shù)、回答樣式等
?
6、給出示例
主要用于需要有特定回復(fù)的時候
請給出特定的問題和相應(yīng)答復(fù)
機器學(xué)習(xí)算法AI大數(shù)據(jù)技術(shù)
搜索公眾號添加： datanlp
長按圖片，識別二維碼
閱讀過本文的人還看了以下文章：
整理開源的中文大語言模型，以規(guī)模較小、可私有化部署、訓(xùn)練成本較低的模型為主
動手學(xué)深度學(xué)習(xí)-（李沐）PyTorch版本
YOLOv9電動車頭盔佩戴檢測，詳細(xì)講解模型訓(xùn)練
TensorFlow 2.0深度學(xué)習(xí)案例實戰(zhàn)
基于40萬表格數(shù)據(jù)集TableBank，用MaskRCNN做表格檢測
《基于深度學(xué)習(xí)的自然語言處理》中/英PDF
【全套視頻課】最全的目標(biāo)檢測算法系列講解，通俗易懂！
《美團機器學(xué)習(xí)實踐》_美團算法團隊.pdf
《深度學(xué)習(xí)入門：基于Python的理論與實現(xiàn)》高清中文PDF+源碼
《深度學(xué)習(xí)：基于Keras的Python實踐》PDF和代碼
python就業(yè)班學(xué)習(xí)視頻，從入門到實戰(zhàn)項目
2019最新《PyTorch自然語言處理》英、中文版PDF+源碼
《21個項目玩轉(zhuǎn)深度學(xué)習(xí)：基于TensorFlow的實踐詳解》完整版PDF+附書代碼
《深度學(xué)習(xí)之pytorch》pdf+附書源碼
PyTorch深度學(xué)習(xí)快速實戰(zhàn)入門《pytorch-handbook》
【下載】豆瓣評分8.1,《機器學(xué)習(xí)實戰(zhàn):基于Scikit-Learn和TensorFlow》
《Python數(shù)據(jù)分析與挖掘?qū)崙?zhàn)》PDF+完整源碼
汽車行業(yè)完整知識圖譜項目實戰(zhàn)視頻(全23課)
李沐大神開源《動手學(xué)深度學(xué)習(xí)》，加州伯克利深度學(xué)習(xí)（2019春）教材
筆記、代碼清晰易懂！李航《統(tǒng)計學(xué)習(xí)方法》最新資源全套！
《神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)》最新2018版中英PDF+源碼
FashionAI服裝屬性標(biāo)簽圖像識別Top1-5方案分享
重要開源！CNN-RNN-CTC 實現(xiàn)手寫漢字識別
同樣是機器學(xué)習(xí)算法工程師，你的面試為什么過不了？
前海征信大數(shù)據(jù)算法：風(fēng)險概率預(yù)測
【Keras】完整實現(xiàn)‘交通標(biāo)志’分類、‘票據(jù)’分類兩個項目，讓你掌握深度學(xué)習(xí)圖像分類
VGG16遷移學(xué)習(xí)，實現(xiàn)醫(yī)學(xué)圖像識別分類工程項目
特征工程(二) :文本數(shù)據(jù)的展開、過濾和分塊
如何利用全新的決策樹集成級聯(lián)結(jié)構(gòu)gcForest做特征工程并打分？
Machine Learning Yearning 中文翻譯稿
斯坦福CS230官方指南：CNN、RNN及使用技巧速查（打印收藏）
python+flask搭建CNN在線識別手寫中文網(wǎng)站
中科院Kaggle全球文本匹配競賽華人第1名團隊-深度學(xué)習(xí)與特征工程
不斷更新資源
深度學(xué)習(xí)、機器學(xué)習(xí)、數(shù)據(jù)分析、python
搜索公眾號添加： datayx