dnf怎么做提卡网站百度搜索热词排行榜

dnf怎么做提卡网站,百度搜索热词排行榜,网站信息安全监测建设方案,石狮市建设局网站最近有学员出去面试#xff0c;他们面试的岗位为AI应用工程师、Agent应用工程师或者AI产品经理#xff0c;而最近经常会遇到的一个问题是#xff1a; 什么是ReAct#xff0c;他主要是来解决什么问题的#xff1f; 怎么说呢#xff0c;这个问题问的太大了#xff0c;他其…最近有学员出去面试他们面试的岗位为AI应用工程师、Agent应用工程师或者AI产品经理而最近经常会遇到的一个问题是什么是ReAct他主要是来解决什么问题的怎么说呢这个问题问的太大了他其实不太适合作为一般岗位的面试题的。但要注意这不是说ReAct不重要相反ReAct本身很重要只不过要完全理解几乎需要将整个Agent架构梳理清楚所以多数人不大可能回答好这个问题另一方面对于多数人这个词汇是比较**“低频”**的因为多数中小型公司老板在用Agent做融资、讲故事不准备真用Agent解决生产问题所以很多同学并没有相关实践的机会最终的结果就是多数人只在一些文章读到过整体是很模糊的。所以ReAct是什么呢ReAct Reason Act是 2022 年 Google/Princeton 提出的一个范式**Reasoning**让LLM思考为什么和如何执行行动**Acting**让LLM执行具体行动并与环境交互**循环反馈**通过观察结果驱动下一步推理翻译翻译就是先思考、再执行但这个好像并不能回答为什么、是什么、如何做问题所以就得追根溯源了unsetunsetWhy ReActunsetunset从模型的演进来说我们想解决的是他只能想/说不能做的问题。在这个基础上我们提出了Function Calling/MCP其基本语法就是预设一些工具挂在模型请求上每次由模型根据用户问题与工具参数描述、name等做判断是否调用。比如最经典的问题**成都这两天天气怎么样**想要由模型自动调用就需要这样写# 把“工具”挂在模型上这里是一个 get_weather 函数{type: function,function: { name: get_weather, description: 查询未来几天某个城市的天气预报, parameters: { type: object, properties: { city: { type: string, description: 城市名例如成都 }, days: { type: integer, description: 查询多少天的预报1-7 } } required: [city, days] } }}基本交互模型确定后紧接着问题就出现了真实场景工具太多、用户的问题太模糊、用户的意图过多…反正所有的问题叠加在一起就一句话模型在工具调用一块表现很差。于是这个时候思维链CoT就出现了他需要对用户问题进行分析将复杂的问题分解为一个个小步骤小工具调用再看着这些工具一个个执行成功一个再执行下一个希望由此增加整体AI产品体验最后总结一句ReAct想要解决的核心问题是把 “会思考” 和 “会操作外部世界” 这两件事绑在一起形成一个可观察、可迭代的任务。接下来我们用个简单例子来看看ReAct架构详细实现unsetunsetReAct架构核心unsetunset首先ReAct架构是一套循环流程... → 推理(Thought) → 行动(Action) → 观察(Observation) → ...这一范式的核心是在**“思考-行动-观察”的循环中完成任务。也就是说Agent一边思考如何解决问题一边调用工具获取信息然后根据观察**到的结果调整下一步计划直到得出最终答案。下面通过一个实例演示这个过程**2018 年世界杯冠军国家的总统是谁**他可能的完整过程是**Thought**用户的问题是“2018年世界杯冠军国家的总统”。这是一个复合问题需要拆解成两个步骤首先找到2018年世界杯的冠军是哪国然后查明该国的总统是谁**Action**调用搜索引擎工具查询关键词2018 年世界杯 冠军**Observation**返回“2018年世界杯冠军是法国。”**Thought**Agent得知冠军国家是法国。需要知道法国总统是谁**Action**再次调用搜索引擎工具查询关键词“法国总统是谁”**Observation**搜索结果显示“法国现任总统是埃马纽埃尔·马克龙Emmanuel Macron。”**最终回答**综合前面的信息Agent回答用户“2018 年世界杯冠军法国的总统是埃马纽埃尔·马克龙。”在解题过程中Agent经历了两轮**“思考→行动→观察”**的循环逐步把复杂问题拆解并求解。现在业内普遍认为并且有数据证明CoT可以有效降低模型幻觉这也是ReAct的重要意义之一接下来我们来看看简单实现一、状态管理├── 全局状态 (GlobalState)│ ├── task_id: query_│ ├── original_query: 2018世界杯冠军国家的总统是谁│ ├── task_graph: 任务依赖图│ └── verified_facts: {france_won_2018: true}│├── 会话状态 (SessionState)│ ├── current_plan: 当前执行计划│ ├── available_tools: [search, calculator, ...]│ └── context_window: 最近10轮思考-行动历史│└── 执行状态 (ExecutionState) ├── step_id: step_001 ├── current_action: {tool: search, params: {...}} └── partial_results: {}Agent架构实现到最后难点大概都是上下文设计现阶段常用的技巧是用一个“记事本”来记录复杂任务的信息包括用户问了什么已经知道什么尝试过什么方法哪些信息被验证过…要在AI工程中实现上述问题本身就挺难的我们用的这种分层设计允许系统在不同粒度上管理状态避免单一状态对象过于臃肿、也避免了整体项目复杂度。这里具体的实现我们就不展开了大家可以去OpenManus看看我们这里给出伪代码即可状态对象 { 任务ID: 查询_001, 原始问题: 2018世界杯冠军国家的总统是谁, 已验证事实: { 冠军国家: 法国, 法国总统: 马克龙 }, 思考记录: [这是一个复合问题需要两步...], 行动记录: [ {工具: 搜索, 查询: 2018世界杯冠军}, {工具: 搜索, 查询: 法国总统} ], 当前步骤: 3}二、决策引擎基础状态设计也可以叫上下文工程是第一步第二步将AI的思考过程展示出来就像我们解题过程分析当前情况确定还需要什么信息选择获取信息的方法Tools评估结果并决定下一步具体代码也不写了整个流程如图开始 ↓分析当前状态 ├── 已有足够信息 → 生成答案 ├── 需要外部信息 → 选择工具执行 └── 需要更多分析 → 深入思考 ↓执行决策 ↓更新状态 ↓检查是否完成 ├── 是 → 结束 └── 否 → 回到分析当前状态三、工具调用如上所述除了自身能力AI解决问题的办法只有Tools调用包括这里用到的搜索引擎工具以及我们最常见的知识库查询工具只要模型需要对外交互那么都是工具调用而ReAct模式中工具调用的部分流程很固定1. 匹配需求 → 确定需要什么工具2. 选择工具 → 哪个工具最适合3. 准备参数 → 工具需要什么输入4. 执行调用 → 运行工具获取结果5. 验证结果 → 检查结果是否可靠四、案例流程代码化这里问题依旧是2018世界杯冠军国家的总统是谁这里第一步就是状态初始化{ 任务: 2018世界杯冠军国家的总统是谁, 已知: {}, 需要: [2018冠军国家, 该国总统]}然后是首次决策AI思考: 这是一个复合问题先要找到冠军国家AI行动: 使用搜索工具查询2018世界杯冠军结果: 2018年世界杯冠军是法国队更新状态: 添加冠军国家法国然后是二次决策AI思考: 知道了冠军是法国现在需要法国总统信息AI行动: 使用搜索工具查询法国现任总统结果: 法国现任总统是埃马纽埃尔·马克龙更新状态: 添加法国总统马克龙最终在这个基础下生成答案AI思考: 已收集全部信息可以回答AI回答: 2018年世界杯冠军是法国法国总统是埃马纽埃尔·马克龙上述流程在倒推时候好像很简单但真的人模型一步步踩在点上其实是有点难的尤其是在复杂业务场景上比如有很多问题要考虑如何判断信息是否足够如何选择搜索关键词如何处理不确定性…上述每一次步骤失误就要完犊子所以生产项目会有很多纠错纠错的结果就是很浪费时间和Token。下面是一些小技巧五、小技巧首先Thought的组织与生成是比较关键的他的输入是状态信息和预设工具输出是下一步行动计划这里提供一套不错的模板基于当前已知信息 {已知信息}我们还需要 {缺失信息} 来回答问题。下一步应该 {行动计划}使用 {工具名称}其次在某些时候工具会很多为防止模型乱调用一般是需要对工具进行建模评分的比如需求查询实时天气候选工具1. 天气API实时、准确→ 得分 902. 网页搜索可能过时→ 得分 603. 历史数据库非实时→ 得分 30当然你说建模没问题具体依旧还是AI判断是否有可能不准这个是有可能的而且暂时没办法避免…然后就是持续的状态管理AI乱不乱状态上下文说了算1. 分层存储短期记忆 长期记忆2. 智能压缩保留关键信息删除冗余3. 版本控制支持回滚到之前状态4. 依赖跟踪记录信息之间的关联最后所有的AI产品都是需要测试数据集的或者说需要一套好坏评估标准比如任务完成率用户问题被正确解决的比例平均响应时间从提问到获得答案的时间对话轮次平均需要多少轮交互用户满意度用户对答案的评价思考质量AI思考的相关性和有效性工具准确率工具返回正确结果的比例循环效率平均每个问题需要的循环次数资源消耗API调用次数、Token使用量…这里就扯远了我们就不展开了…unsetunset结语unsetunset没有完美的价格ReAct与生俱来的会具有一些缺陷这里也需要提一嘴一、响应时间过长/耗Token当前大家都知道模型是不可尽信的为了保证输出的稳定性可能在流程上会有2次乃至3次校验这样来回的结果就是Agent的响应时长很忙并且Token消耗也很快。比如最近一个Manus的案例就是用户一次PPT就把一个月的Token用完了并且PPT还没完成于是投诉要求退款。二、过度思考过度思考的原因是模型带来的有可能换个模型就好了但问题还是如第一点所示AI并不知道问题简单与否从保险的情况下他情愿在简单的场景下也多加验证比如问题在简单问题上过度分析原因缺乏问题复杂度判断可能的解决方案又 • 添加问题分类器简单/复杂 • 为简单问题设计快捷通道 • 设置思考预算Token限制三、工具问题虽然现在GPT本身也是支持MCP的但是很多公司在使用的时候其实还是喜欢桥接一层底层自己调用Function Calling原因很简单没有生产级AI应用会毫无保留的使用第三方服务四、状态混乱应该说这不是ReAct的问题只要是复杂的AI项目只要涉及到意图识别那么上下文工程就会很复杂如何做好分层信息设计这就是AI工程的核心了这里不做展开……虽然ReAct有这样那样的问题但并不妨碍他现在成为事实上的标准了。现在回归面试题ReAct是什么呢ReAct是一套Agent的交互模型他的作用是让模型具有链接外部世界的能力并且尽可能降低幻觉的发生需要特别强调的是ReAct的全局日志是可调式、可观测的这也变相提高了我们AI产品的可控性。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。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】