Agent(智能体)

特性：

  • 解决复杂问题
  • 依赖不同的tool(外部API)
  • 将复杂问题拆分为简单问题(planning)

HuggingGPT - 使用工具来解决问题

结合GPT和其他模型工具的能力来解决复杂问题。

  • 大模型的不足

    LLM的能力局限在文本领域；
    现实生活中的一些问题比较复杂，没有办法让大模型一次性帮我们输出答案；
    有些复杂问题需要首先进一步拆解成简单的sub-tasks；
    虽然像GPT4模型很优秀，但它的知识不具备实时性，而且在特定领域不一定比其他模型强；

四阶段Agent模型

  • stage1:Task Planning

    三种类型的task：
    alt text

  • stage2:Model Selection

    模型库：reolicate/huggingface

  • stage3:Task Execution(执行)

  • stage4:Response Generation

  • 缺点：

    1.没有验证的逻辑，无法评估task planning的效果。

    2.tool的个数增加，大模型的选择可能也会出问题。

    目前处于发展阶段，准确度尚待提高。核心点是如何吧复杂的问题进行改变，并通过Agent结合部分脏活来满足用户需求。Agent时大模型最有潜力的应用场景。

Generative Multi-Agent 斯坦福小镇

文献链接

每个人物都是一个Agent，模拟一个类似真实的虚拟世界。
alt text

特点：
每格avatar agent都有自己的属性(擅长什么，过往经历是什么)；
不同的agent会根据自己的属性，作出不同的action；
不同的agent之间可以围绕一个话题交流；
不同的agent之间具有一定的亲密程度；
不同的agent可以协作完成一个任务；
不同agent具有自己的每日计划；

Generative Multi-Agent 软件工作

AI项目是存在风险的，如果一个方案验证后，效果不好也是有价值的。

mock-interview 第七周 十二

项目介绍

  • 自定义Agent，实现模拟面试
  • 面向求职者，进行面试练习

数据

  • data/jd.txt
  • data/cv.txt

load the llm 加载 llm

define tools

1
2
3
4
5
6
7
8
from langchain.agents import Tool

@tool
def get_word_length(word: str) -> int:
    '''Returns the length of a word.'''
    return len(word)

get_word_length.invoke('abc')