上海做公司网站的公司wordpress 餐饮 主题

上海做公司网站的公司,wordpress 餐饮 主题,wordpress安卓显示图片,app项目策划书之前我们说过#xff0c;复杂的AI项目#xff0c;其难度有三#xff1a; 第一#xff0c;如何将认知整理成知识#xff0c;或者已经有知识的情况下#xff0c;如何组织数据#xff1b; 第二#xff0c;数据应该如何与AI交互#xff0c;保证每次AI都能拿到相关数据。发…之前我们说过复杂的AI项目其难度有三第一如何将认知整理成知识或者已经有知识的情况下如何组织数据第二数据应该如何与AI交互保证每次AI都能拿到相关数据。发现由于数据不足导致的AI问题应该如何用生产数据反馈系统优化知识库这就是我们常说的数据飞轮系统他是数据工程的一个分支第三也是最后一个关卡意图识别这不我们P9的学员在智能体创业项目中就被意图识别折腾得很惨并且错误的花样还五花八门的description明明写得很清楚但工具就是不被调用工具倒是调用准了但是工具所需参数又拿不到终于最后调好了模型一个更新整个系统又被玩坏了总结下来就一句工具调用Function Calling总出问题这个该如何解决呢大概图示如下但具体要回答这个问题就得从头说起咯首先我们来看智能体架构的基石工具调用Agent的本质函数调用首先我们要知道的是现阶段大模型可以说是很简单的因他就只有一个API调用并且只有一个输入/输出但他其实很复杂因为输入内容的背后具有大量的含义需要我们把各行各业的知识放进去否则输出很容易不符预期现在常见的智能体如Manus也是这个模式比如最经典的让模型回答天气情况因为模型本身是没有天气数据的所以在用户询问天气时候需要外调工具这里核心代码是tools [{ type: function,name: get_weather,description: Retrieves current weather for the given location.,parameters: { type: object, properties: { location: { type: string, description: City and country e.g. Bogotá, Colombia }, ...... }, }}]response client.responses.create( modelgpt-5, toolstools, input今天成都的天气怎么样,)可以看出来模型具有哪些工具调用能力全部是我们预定义好的模型会根据用户输入选择使用哪个工具# 用户输入user_query 今天北京天气怎么样# 模型会分析# - 用户问的是天气 → 匹配到 get_weather 的 description# - 提到了北京 → 对应 location 参数# - 决定调用 get_weather 函数而模型是如何判断要调用某个工具呢答案是根据用户输入与description名称、参数也会用到做对比也就是判断“今天北京天气怎么样”与description: Retrieves current weather for the given location.的关联性于是这里问题也就来了也就是我们之前学员会遭遇的问题这里是存在黑盒的对于本次对话要不要调用工具、用哪个工具、参数怎么填这个是没法直接插手的当前场景简单、工具单一模型的表现是很稳健的但生产环境聊天上下文复杂度较高并且工具数量也很多这会加大模型工具调用难度最直接的表现就是 漏调用 → 错调用 → 参数提取错误 → 调用出错而这里会不会出工具调用问题从架构设计来说几乎是必定会发生的而想要缓解工具调用的问题只有两个点可操作第一为问题添加更多上下文以方便模型更好做意图判断也就是在提示词上做文章第二将Tools的设置包括描述、参数等信息写得更清晰点除此两点之外还有些“懒加载”策略每次调用模型前先做一轮意图识别只加载需要的Tools由此降低模型识别压力但总的来说依旧是在大规则内做小优化。只不过出问题不重要重要是发生得多频繁如何降低他的问题。意图收敛如果在生产环境已经表现出了多工具调用出问题那么就不能将用户上下文一股脑的给模型了连这种都不能帮我查一下最近北京天气怎么样还有机票贵不贵然后再给一堆工具get_weather、search_flight、search_news...更稳的做法是对用户问题进行改写把输入整理成一个结构化意图做一层意图清洗# 让模型只做意图识别 槽位填充{ task_type: check_weather, city: 北京, need_flight_info: true}再根据task_type去决定到底要出几个子任务、每个子任务暴露哪些工具。换句话说不要让模型一边理解人话一边挑工具一边还要组织答案。把这些步骤拆开这也是我们之前介绍的提示词规则单一职责原则这样操作下来错误率会降低的同时出问题也好直接定位到对应提示词。在落地上常见的几种意图收敛手段**固定输入模板**让用户“填表”做选择题而不是自由回答这种方式使用较少但效果很好**意图识别小模型**第一个模型只负责识别任务类型第二个模型才负责调用工具如果在成本、响应速度有要求时候这个是常见选项**场景分流**用户入口就分查天气/查订单/问知识不同入口走不同的工具集问题改写最后也是最常见的方式会用模型对用户提问基于我们已有工具进行问题改写这种效果较好就是消耗Token很凶{ intents: [ { type: get_weather, city: 北京, date: 最近三天 }, { type: search_flight, from: 上海, to: 北京, date: 本周五, sort_by: price } ]}总结下来就一句话先认为对问题尽量结构化再说工具调用。工具收敛前面说过工具调用的黑盒部分我们管不了但工具列表是完全能控制的。很多时候工具调用最大的问题不是模型不够聪明而是你给它的工具太多、太像。这里实操下来策略也就3个可以分享的第一依旧是单一职责原则一个工具绝不完成两个任务# ❌ 多合一大工具description: 获取天气和航班信息# ✅ 单一职责 description: 获取指定城市的实时天气信息第二按场景加载工具包工具包预定义能少则少# 不要有一个大 tools [...] 到处复用weather_tools [get_weather]order_tools [query_order, cancel_order] # 每次请求前根据意图选一个小包挂上去第三描述和名称AI要读得懂# ❌ 模糊的描述description: Retrieves current weather for the given location.# ✅ 清晰的描述description: 获取指定城市的实时天气信息。当用户询问当前温度、湿度、风速时使用。不适用于查询历史天气或气候特征。很多“description明明写得很清楚但就是不被调用”的场景真拆开看会发现description根本没有把什么时候用/不用说清楚还有些时候name与参数的定义非常随意你如果随意模型就更随意了自由收敛就算意图收敛、工具列表收敛、描述写得再漂亮最终照样会出问题原因是前面收敛有些动作也是依赖模型本来就可能出问题而更多的情况是参数抽取错误。换句话说关键词抽取错误或者说抽取不稳定是模型常见错误。碰到这种情况要么需要建立飞轮系统不断根据错误增加知识库数据不停在提示词加标签要么会用到微调技术概率很低而有些时候我们也会在代码上做处理加一些验收逻辑比如各种校验def get_weather(location, unitscelsius):# 先校验再执行if not location or len(location) 50: raise ValueError(城市名称无效)if units not in [celsius, fahrenheit]: raise ValueError(温度单位不支持)# 工具返回后检查数据结构是否完整if not response.get(temperature):# 走备用方案或给用户友好提示return暂时无法获取温度信息# 设一个上限比如每次最多重试2次for attempt in range(2):try:return call_tool()except ValidationError:if attempt 1: # 最后一次还错 return抱歉暂时无法处理您的请求...# 真正的业务逻辑...工具调用评测集事实上所有的Agent都会需要一个**评测和数据回收。**不然好不好都是抓瞎甚至每次模型发布、新版本发布稳不稳定都只能看脸。而很多人确实也是这样开发Agent的本地调试几次觉得“挺准”上线一跑过几天用户开始骂有时候好、有时候坏、还特别难复现这种“不稳定感”完全就是缺少评测集所致。而要建立这个测试集也很简单就是对错误情况进行收集而收集的第一步就是日志做得足够细甚至每天有人审查一、日志# 每次调用都要记下来log_data { user_input: 今天北京天气, model_tool_call: get_weather, model_arguments: {location: 北京}, tool_result: {temperature: 25}, final_response: 北京今天25度晴天, success: True # 业务标记}二、人工审查 从日志里抽样本标注该不该调用工具应该用哪个工具参数有没有填对然后统计漏调用率、错调用率、参数错误率…三、根据错误样本做优化策略也就是我们前面说的几点这其实就是数据飞轮在Function Calling上的一个子循环生产数据 → 错误样本 → Prompt/规则迭代 → 新版本上线 → 再收集数据Skills然后最近Claude提出了Skills策略其实他在一定程度也能缓解工具调用错误问题在Skills策略之前的流程是用户输入 → 模型直接在一堆 tools 里挑漏调 / 选错 / 懒得调常发生在这一层上了 Skills 之后变成用户问题 → 先选 Skill粗意图路由 → 再在 Skill 里用少量工具 既定 SOP模型不再对着几十个工具瞎撞而是在各种小环境里做判断其实可以认为Skills将之前我们一部分工程优化做到模型层去了。Skill 可以缓解选错工具、什么时候调用工具、调用后数据如何处理等问题。但是碰到用户语焉不详、工具schema一塌糊涂等问题时候依旧没办法。只不过Skills这东西还不确定其他厂商要不要支持所以我们后面再具体讨论吧。结语2025年10月2日在美国旧金山硅谷举办内部封闭讨论会有600多人的创业者AI工程师参与而真实信息反馈95% 的 AI Agent系统在生产环境中根本用不起来。并不是因为打模型不够聪明而是AI工程以及工具层还需要继续努力最后回归下我们之前说过复杂AI项目的第三难关是意图识别意图识别失败最直观的表现就是工具调用乱七八糟但如果我们从工程的视角拆开看它无非是几件事意图收敛、工具收敛、自由度收敛很多校准以及一条评测数据集。上述动作做完也不意味着问题没了只不过会更心里有数了如果这样都解决不了那就换模型或者等模型更新就好或者我们还有更复杂的策略如提供上下文的上下文只不过这确实很复杂了我们这里就不展开了…想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2025 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容​一、学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI1. 100本大模型方向电子书2. 26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC 实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。3. 600套技术大会 PPT听行业大咖讲实战PPT 整理自 2024-2025 年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。二、求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌1. 107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自 2021-2025 年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析2. 102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑3. 97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”三、路线必明 AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、关键技术以及大模型应用场景。L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。L5阶段专题集丨特训篇 【录播课】四、资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容​2025 年想抓住 AI 大模型的风口别犹豫这份免费资料就是你的 “起跑线”