东莞长安网站设计全是图片的网站怎么做seo

东莞长安网站设计,全是图片的网站怎么做seo,哪些网站是用php开发的,小游戏秒玩入口AI Agent 系列文章10, 后续会更新 LangGraph、RAG、MCP等内容#xff0c;最后全栈开发一个 Agent 智能体并部署上线。 本篇主要介绍 1#xff09;Agent 创建 2#xff09;ReAct Agent 3#xff09;调用“联网搜索”工具的Agent Agent创建 之前的功能都是一次性调用ll…AI Agent 系列文章10, 后续会更新 LangGraph、RAG、MCP等内容最后全栈开发一个 Agent 智能体并部署上线。本篇主要介绍1Agent 创建2ReAct Agent3调用“联网搜索”工具的AgentAgent创建之前的功能都是一次性调用llm返回结果或者需要多次询问或者二次加工处理。如果需要自动多次调用llm自动调用工具等等就需要agent智能体。import { ChatDeepSeek } from langchain/deepseek import { createAgent, tool } from langchain import * as z from zod import dotenv/config const llm new ChatDeepSeek({ model: deepseek-chat, apiKey: process.env.DEEPSEEK_API_KEY }) const getWeather tool( input ${input.city}一直天气晴朗, { name: query-weather, description: 查询指定城市的天气情况, schema: z.object({ city: z.string().describe(要查询天气的城市) }) } ) const agent createAgent({ model: llm, tools: [getWeather] }) const res await agent.invoke({ messages: [{ role: user, content: 广州的天气怎么样 }] }) console.log(res);代码中定义了一个查询天气的工具它是模拟的不过不影响 agent 的执行流程。agent 绑定了 llm 和 tools 它会根据用户输入的提示词自动判断需要调用什么。执行结果{ messages: [ HumanMessage { id: 20422a89-da0e-4e6f-9e8d-ed34900df1f0, content: 广州的天气怎么样, additional_kwargs: {}, response_metadata: {} }, AIMessage { id: 5246393a-bd50-4cdf-95e4-c89935bfab01, content: 我来帮您查询广州的天气情况。, name: model, additional_kwargs: { tool_calls: [ { index: 0, id: call_00_9IfbfrGjSe8XgfXtGwxQE9zq, type: function, function: [Object] } ] }, response_metadata: { tokenUsage: { promptTokens: 337, completionTokens: 52, totalTokens: 389 }, finish_reason: tool_calls, model_provider: openai, model_name: deepseek-chat, usage: { prompt_tokens: 337, completion_tokens: 52, total_tokens: 389, prompt_tokens_details: { cached_tokens: 0 }, prompt_cache_hit_tokens: 0, prompt_cache_miss_tokens: 337 }, system_fingerprint: fp_eaab8d114b_prod0820_fp8_kvcache }, tool_calls: [ { name: query-weather, args: { city: 广州 }, type: tool_call, id: call_00_9IfbfrGjSe8XgfXtGwxQE9zq } ], invalid_tool_calls: [], usage_metadata: { output_tokens: 52, input_tokens: 337, total_tokens: 389, input_token_details: { cache_read: 0 }, output_token_details: {} } }, ToolMessage { id: ca6dc481-e79e-4eb1-9635-67d0e660914b, content: 广州一直天气晴朗, name: query-weather, additional_kwargs: {}, response_metadata: {}, tool_call_id: call_00_9IfbfrGjSe8XgfXtGwxQE9zq }, AIMessage { id: bce04c5b-5edb-4d42-acd6-dc6971132155, content: 根据查询结果广州目前天气晴朗。如果您需要更详细的天气信息比如温度、湿度或未来几天的天气预报请告诉我我 可以为您提供更多帮助。, name: model, additional_kwargs: {}, response_metadata: { tokenUsage: { promptTokens: 402, completionTokens: 35, totalTokens: 437 }, finish_reason: stop, model_provider: openai, model_name: deepseek-chat, usage: { prompt_tokens: 402, completion_tokens: 35, total_tokens: 437, cached_tokens: 320 }, prompt_cache_hit_tokens: 320, prompt_cache_miss_tokens: 82 }, system_fingerprint: fp_eaab8d114b_prod0820_fp8_kvcache }, tool_calls: [], invalid_tool_calls: [], usage_metadata: { output_tokens: 35, input_tokens: 402, total_tokens: 437, input_token_details: { cache_read: 320 }, output_token_details: {} } } ] }上述结果就是 agent 多次调用 llm 和 tool 返回的信息。第一个是 HumanMessage用户的提问然后第二个是 AI 分析后的结果需要调用 tool然后是 tool 返回的结果然后 AI 再根据用户提问和 tool 返回的结果整合后返回最终的结果。ReAct AgentReActReasoning 推理 Acting 行动agent 根据情况自动多次调用 llm 和 tool。ReAct Agent 的工作流程是一个典型的 “推理-行动-观察”循环其核心在于让大模型能够通过多轮工具调用来解决复杂问题。ReAct 可以体现到 agent 中的所有元素不仅仅是 llm 和 tool一个 agent 一般也包括llmtoolsmemorysystem promptworkflowstructured output它可以自动执行这些元素来达到解决问题的目的。调用“联网搜索”工具的Agentimport { ChatDeepSeek } from langchain/deepseek import { createAgent } from langchain import { TavilySearch } from langchain/tavily import dotenv/config const llm new ChatDeepSeek({ model: deepseek-chat, apiKey: process.env.DEEPSEEK_API_KEY }) // 联网搜索的工具 const tavilyTool new TavilySearch({ maxResults: 2, topic: general, tavilyApiKey: process.env.TAVILY_API_KEY }) const agent createAgent({ model: llm, tools: [tavilyTool] }) const res await agent.invoke({ messages: [{ role: user, content: 电影《疯狂动物城2》今年什么时间上映的 }] }) console.log(res);比如问 “电影《疯狂动物城2》今年什么时间上映的”最终回答是 2025年11月26日agent 调用了 tavily_search 工具进行 联网搜索。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】