自己网站做seo办公室装修设计图纸

自己网站做seo,办公室装修设计图纸,宁波网页网站制作,wordpress固定链接目录简介 文章介绍了AI智能体的设计原则、核心组件和实现方法#xff0c;包括如何评估适合智能体的应用场景、选择合适的模型、定义工具和配置指令。详细阐述了主管模式和群体模式两种编排架构#xff0c;提供了代码实现示例#xff0c;并讨论了多智能体系统面临的挑战及应对策略…简介文章介绍了AI智能体的设计原则、核心组件和实现方法包括如何评估适合智能体的应用场景、选择合适的模型、定义工具和配置指令。详细阐述了主管模式和群体模式两种编排架构提供了代码实现示例并讨论了多智能体系统面临的挑战及应对策略。最后提出了构建可扩展AI Agent的路线图从LLM选择到多智能体团队扩展为开发者提供了全面的指导。一、引言在评估agent可以在哪些方面发挥价值时应优先考虑以前难以实现自动化的工作流程尤其是在传统方法不太好解决的情况下复杂决策 涉及细致判断、例外情况或情境敏感决策的工作流程例如客户服务工作流程中的退款批准难以维护的规则 由于规则集庞大而复杂导致系统变得难以管理例如执行供应商安全审查时更新成本高昂或容易出错严重依赖非结构化数据 例如处理房屋保险索赔涉及解释自然语言、从文档中提取含义或与用户进行对话式交互的场景。在构建agent之前请务必确认您的用例能够明确满足这些标准。否则传统方案可能就足够了。二、智能体设计组件一般来看智能体由三个核心组件构成Model LLM 为智能体的推理和决策提供支持Tools 智能体可以用来执行操作的外部函数或 APIInstructions 明确定义智能体行为方式的指导方针和规则。2.1 选择模型不同的模型在任务复杂性、延迟和成本方面各有优劣。并非所有任务都需要最智能的模型——简单的检索或意图分类任务可能由更小、更快的模型处理而像决定是否批准退款这样更复杂的任务则可能需要功能更强大的模型。一个行之有效的方法是首先使用功能最强大的模型构建智能体原型以此建立每个任务的性能基准。然后尝试替换为功能较弱的模型观察它们是否仍能达到可接受的结果。这样既不会过早限制智能体的能力又能诊断出功能较弱的模型在哪些方面表现良好在哪些方面表现不佳。2.2 定义工具函数调用是大型语言模型 (LLM) 与工具交互的主要方式。经常会看到“函数”和“工具”互换使用因为“函数”可重用代码块是智能体用来执行任务的“工具”。工具通过使用底层应用程序或系统的 API 来扩展智能体的功能。对于没有 API 的旧系统智能体可以依赖computer-use模型像人一样通过 Web 和应用程序 UI 直接与这些应用程序和系统交互。每个工具都应具有标准化的定义从而实现工具和智能体之间灵活的多对多关系。文档完善、经过全面测试且可重用的工具能够提高工具调用的正确率。总的来说智能体需要三种类型的工具下面是如何使用 Agents SDK 为智能体配备一系列工具的方法from agents import Agent, WebSearchTool, function_tool function_tool def save_results(output): db.insert({output: output, timestamp: datetime.time()}) return File saved search_agent Agent( nameSearch agent, instructionsHelp the user search the internet and save results if asked., tools[WebSearchTool(), save_results], )2.3 配置说明高质量的指令对于任何基于 LLM学习生命周期管理的应用都至关重要尤其对于客服人员而言更是如此。清晰的指令可以减少歧义提升客服人员的决策能力从而实现更流畅的工作流程和更少的错误。这份完整版的大模型 AI 学习和面试资料已经上传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】三、编排有了基础组件就可以考虑使用编排模式使智能体能够有效地执行工作流程。多智能体系统可以建模为图其中智能体用节点表示。在管理者和监督者模式下边表示工具调用而在分散式和群体模式下边表示智能体之间执行任务的交接。下面是主管模式和群体模式的区别四、主管模式代码实现创建一个主管智能体来协调多个专业智能体。pip install langgraph-supervisor langchain-openai export OPENAI_API_KEYyour_api_keyfrom langchain_openai import ChatOpenAI from langgraph.graph import START, END from langchain_community.tools.tavily_search import TavilySearchResults from langgraph.prebuilt import create_react_agent from langgraph_supervisor import create_supervisor from IPython.display import Image, display import os # Select LLM model ChatOpenAI(modelgpt-4o, api_keyos.getenv(OPENAI_API_KEY)) # Define tools def add(a: float, b: float) - float: Add two numbers. return a b def multiply(a: float, b: float): Multiply two numbers. return a * b def divide(a: float, b: float): Divide two numbers. return a / b tavily_api_key os.getenv(TAVILY_API_KEY, your_tavily_api_key) web_search TavilySearchResults(max_results3, tavily_api_keytavily_api_key) # Create Worker Agents research_agent create_react_agent( modelmodel, tools[web_search], nameresearch_agent, prompt( You are a research agent.\n\n INSTRUCTIONS:\n - Assist ONLY with research-related tasks, DO NOT do any math\n - After youre done with your tasks, respond to the supervisor directly\n - Respond ONLY with the results of your work, do NOT include ANY other text. ) ) math_agent create_react_agent( modelmodel, tools[add, multiply, divide], namemath_agent, prompt( You are a math agent.\n\n INSTRUCTIONS:\n - Assist ONLY with math-related tasks\n - After youre done with your tasks, respond to the supervisor directly\n - Respond ONLY with the results of your work, do NOT include ANY other text. ) ) # Create Supervisor Agent supervisor_agent create_supervisor( modelmodel, agents[research_agent, math_agent], prompt( You are a supervisor managing two agents:\n - a research agent. Assign research-related tasks to this agent\n - a math agent. Assign math-related tasks to this agent\n Assign work to one agent at a time, do not call agents in parallel.\n Do not do any work yourself. ), add_handoff_back_messagesTrue, output_mode full_history, ).compile() display(Image(supervisor_agent.get_graph().draw_mermaid_png()))使用 pretty_print_messages 辅助函数来美观地渲染流式代理输出from langchain_core.messages import convert_to_messages def pretty_print_message(message, indentFalse): pretty_message message.pretty_repr(htmlTrue) if not indent: print(pretty_message) return indented \n.join(\t c for c in pretty_message.split(\n)) print(indented) def pretty_print_messages(update, last_messageFalse): is_subgraph False if isinstance(update, tuple): ns, update update # skip parent graph updates in the printouts if len(ns) 0: return graph_id ns[-1].split(:)[0] print(fUpdate from subgraph {graph_id}:) print(\n) is_subgraph True for node_name, node_update in update.items(): update_label fUpdate from node {node_name}: if is_subgraph: update_label \t update_label print(update_label) print(\n) messages convert_to_messages(node_update[messages]) if last_message: messages messages[-1:] for m in messages: pretty_print_message(m, indentis_subgraph) print(\n)测试流程完整代码请参考https://t.zsxq.com/yNO6D4.1 消息历史记录管理控制如何将智能体消息添加到多智能体系统的整体对话历史记录中a请提供客服人员的完整邮件历史记录supervisor create_supervisor( agents[agent1, agent2], output_modefull_history )仅包含最终的智能体回复supervisor create_supervisor( agents[agent1, agent2], output_modelast_message )4.2 多级层次结构你可以通过创建一个主管来管理多个主管从而创建多级层级系统。research_team create_supervisor( [research_agent, math_agent], modelmodel, supervisor_nameresearch_supervisor ).compile(nameresearch_team) writing_team create_supervisor( [writing_agent, publishing_agent], modelmodel, supervisor_namewriting_supervisor ).compile(namewriting_team) top_level_supervisor create_supervisor( [research_team, writing_team], modelmodel, supervisor_nametop_level_supervisor ).compile(nametop_level_supervisor)4.3 定制交接工具默认情况下管理程序使用预置的 create_handoff_tool 创建的交接工具。您也可以创建自己的自定义交接工具。以下是一些修改默认实现的思路更改工具名称和/或描述为 LLM 添加工具调用参数以进行填充例如下一个代理的任务描述更改作为交接的一部分传递给子智能体的数据默认情况下 create_handoff_tool 会传递完整的消息历史记录到目前为止在 supervisor 中生成的所有消息以及指示交接成功的工具消息。以下是如何将自定义交接工具传递给 create_supervisor 示例from langgraph_supervisor import create_handoff_tool workflow create_supervisor( [research_agent, math_agent], tools[ create_handoff_tool(agent_namemath_expert, nameassign_to_math_expert, descriptionAssign task to math expert), create_handoff_tool(agent_nameresearch_expert, nameassign_to_research_expert, descriptionAssign task to research expert) ], modelmodel, )还可以控制是否将交接工具调用消息添加到状态中。默认情况下会添加 add_handoff_messagesTrue 但如果想要更简洁的历史记录可以禁用此功能workflow create_supervisor( [research_agent, math_agent], modelmodel, add_handoff_messagesFalse )此外您还可以自定义自动生成的交接工具所使用的前缀workflow create_supervisor( [research_agent, math_agent], modelmodel, handoff_tool_prefixdelegate_to ) # This will create tools named: delegate_to_research_expert, delegate_to_math_expert智能体自定义交接工具的完整示例请查看https://t.zsxq.com/s96sN4.4 消息转发可以使用 create_forward_message_tool 为管理者配备一个工具使其能够将从worker agent收到的最后一条消息直接转发到图的最终输出。当管理者判断worker agent的响应已足够无需进一步处理或总结时此功能非常有用。它能为管理者节省令牌并避免因改述而导致对worker agent响应的潜在误解。from langgraph_supervisor.handoff import create_forward_message_tool # Assume research_agent and math_agent are defined as before forwarding_tool create_forward_message_tool(supervisor) # The argument is the name to assign to the resulting forwarded message workflow create_supervisor( [research_agent, math_agent], modelmodel, # Pass the forwarding tool along with any other custom or default handoff tools tools[forwarding_tool] )创建一个名为 forward_message 工具供主管调用。该工具需要一个参数 from_agent 用于指定哪个智能体的最后一条消息应该直接转发到输出端。五、群体模式代码实现下面是一个使用 langgraph_swarm 库实现群聚式多智能体系统的示例代码该库基于 LangGraph 构建以实现专业智能体之间的动态协作和交接。我们将沿用与主管模式中相同的数学智能体和研究智能体的例子完整的代码请查看https://t.zsxq.com/coCkC六、运行智能体6.1 Invoking调用模式智能体运行方式主要有以下两种模式使用 .invoke() 或 .stream() 进行同步 调用者用户或系统等待智能体完成其任务后再继续执行使用 await .ainvoke() 或 async for with .astream() 进行异步操作 智能体接收请求后启动处理并允许调用者继续执行其他任务而无需等待响应。结果稍后会返回通常通过回调、通知或轮询机制。同步调用from langgraph.prebuilt import create_react_agent agent create_react_agent(...) response agent.invoke({messages: [{role: user, content: what is the weather in sf}]})异步调用from langgraph.prebuilt import create_react_agent agent create_react_agent(...) response await agent.ainvoke({messages: [{role: user, content: what is the weather in sf}]})6.2 输入格式智能体使用 messages 列表作为输入。因此智能体的输入和输出以 messages 列表的形式存储在智能体状态的 messages 键下。可以直接在输入字典中提供智能体状态模式中定义的其他字段。这样就可以根据运行时数据或先前的工具输出实现动态行为。智能体输入必须是一个包含 messages 键的字典。支持的格式有注意 messages 的字符串输入会被转换为 HumanMessage 对象。这与 create_react_agent 中的 prompt 参数不同后者在作为字符串传递时会被解释为 SystemMessage 对象。6.3 输出格式智能体输出是一个字典包含以下内容messages : 执行过程中交换的所有消息列表用户输入、助手回复、工具调用如果配置了结构化输出 则可选择使用 structured_response如果使用自定义 state_schema 输出中可能还会用户自定义字段对应的其他键。这些键可以保存工具执行或提示逻辑更新后的状态值。6.4 流式输出智能体支持流式输出从而提升应用程序的响应速度。流式输出支持同步和异步两种模式。同步流式输出for chunk in agent.stream( {messages: [{role: user, content: what is the weather in sf}]}, stream_modeupdates ): print(chunk)异步流式输出async for chunk in agent.astream( {messages: [{role: user, content: what is the weather in sf}]}, stream_modeupdates ): print(chunk)6.5 最大迭代次数我们可以在运行智能体时定义最大迭代次数也可以在定义智能体时通过 .with_config() 定义它运行时定义from langgraph.errors import GraphRecursionError from langgraph.prebuilt import create_react_agent max_iterations 3 recursion_limit 2 * max_iterations 1 agent create_react_agent( modelanthropic:claude-3-5-haiku-latest, tools[get_weather] ) try: response agent.invoke( {messages: [{role: user, content: whats the weather in sf}]}, {recursion_limit: recursion_limit}, ) except GraphRecursionError: print(Agent stopped due to max iterations.).with_config():from langgraph.errors import GraphRecursionError from langgraph.prebuilt import create_react_agent max_iterations 3 recursion_limit 2 * max_iterations 1 agent create_react_agent( modelanthropic:claude-3-5-haiku-latest, tools[get_weather] ) agent_with_recursion_limit agent.with_config(recursion_limitrecursion_limit) try: response agent_with_recursion_limit.invoke( {messages: [{role: user, content: whats the weather in sf}]}, ) except GraphRecursionError: print(Agent stopped due to max iterations.)七、面临的挑战协调多个智能体所面临的挑战以下几点值得牢记研究人员实验了五种常用的多智能体系统框架在超过150个任务中的应用并参考了六位专家标注者的见解。他们识别出14种不同的失效模式并将其归纳为三大类规范和系统设计缺陷 由任务定义不明确或系统架构设计不合理引起的问题智能体间协调不畅 智能体间沟通不畅或缺乏协调所导致的问题任务验证和终止 与验证过程不足和任务完成协议不当相关的失败。八、应对策略为了应对这些挑战可以采用一下两种优化手段改进智能体角色定义 提高智能体角色定义的清晰度和精确度防止误解和角色重叠增强编排策略 开发更好的智能体间协调机制以简化交互和任务执行。例如Anthropic 公司发布了模型上下文协议 MCP这是人工智能系统和流程如何相互集成的首个行业标准尝试。如果开发者采用MCP标准的智能体模式那么有助于降低智能体错误率。谷歌于 2025 年 4 月 9 日推出的 Agent2Agent (A2A)协议 使AI agents 能够通过基于 JSON 的“Agent Cards”在不同平台上进行通信和协作。这些Agent Cards描述了智能体的功能、输入和身份验证方案。A2A 和 MCP 相辅相成A2A 促进智能体之间的互操作性横向集成而 MCP 则为智能体提供工具访问权限纵向集成。例如两个智能体可以使用 A2A 协作完成一项任务同时各自利用 MCP 查询外部数据源从而创建一个无缝的多智能体生态系统。九、构建可扩展AI agents的路线图如果没有合适的路线图很难构建智能体系统。下面给出一些构建的建议选择合适的LLM选择LLM时应考虑以下因素擅长推理和逻辑处理支持循序渐进的思考方式思维链提供稳定一致的输出设计智能体的推理过程定义智能体如何处理任务它是否应该停下来思考片刻再回答应该按部就班地制定行动计划还是立即采取行动当需要额外帮助时是否应该调用工具提示 从简单的策略入手例如“ReAct”或“Plan-then-Execute”框架。制定操作指南制定明确的互动规则明确回应行为和语气明确何时使用外部工具规范响应格式例如JSON、Markdown加入记忆弥补 LLM 缺乏长期记忆的缺点方法如下应用滑动窗口记忆最近上下文总结过去的对话持久化关键信息用户偏好、决策提示 MemGPT 或 ZepAI 等工具可以简化内存管理。集成工具和 API使智能体能够执行现实世界的操作获取外部数据更新客户关系管理系统和数据库执行计算或转换提示 使用 MCP 可将工具无缝即插即用地集成到智能体工作流程中。设定明确的目标向智能体提供具体任务✅ “总结用户反馈并提出改进建议”❌ “乐于助人”提示 重点在于缩小任务范围——与其留下开放式的指令不如明确定义代理人不应该做什么这样更有效。扩展到多智能体团队创建能够协作的专业智能体一个智能体收集信息另一个智能体则负责解读数据第三个智能体用于整理和呈现结果。提示 明确的职责分工和清晰的角色划分能够带来更高效的多智能体系统。十、AI大模型从0到精通全套学习大礼包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。只要你是真心想学AI大模型我这份资料就可以无偿共享给你学习。大模型行业确实也需要更多的有志之士加入进来我也真心希望帮助大家学好这门技术如果日后有什么学习上的问题欢迎找我交流有技术上面的问题我是很愿意去帮助大家的如果你也想通过学大模型技术去帮助就业和转行可以扫描下方链接大模型重磅福利入门进阶全套104G学习资源包免费分享01.从入门到精通的全套视频教程包含提示词工程、RAG、Agent等技术点​02.AI大模型学习路线图还有视频解说全过程AI大模型学习路线​03.学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的04.大模型面试题目详解05.这些资料真的有用吗?这份资料由我和鲁为民博士共同整理鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。所有的视频由智泊AI老师录制且资料与智泊AI共享相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌构建起前沿课程智能实训精准就业的高效培养体系。课堂上不光教理论还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事‌如果说你是以下人群中的其中一类都可以来智泊AI学习人工智能找到高薪工作一次小小的“投资”换来的是终身受益应届毕业生‌无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型‌非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界‌。业务赋能 ‌突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型‌。获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】