我们给人类新手明确的目标和具体的计划，而不是模糊的开放式指示，对Agent也应该这样做。
最成功的Agent开发者可能也是工程师团队的管理者，因为给AI制定计划的过程和管理初级员工的方式类似。
▲六位一线AI工程师分享自身总结，公开大模型应用一年心得
我们给人类新手明确的目标和具体的计划，而不是模糊的开放式指示，对Agent也应该这样做，详细展开的话，总的来说有下面两点：
Agent被期待动态对用户请求做反应，但随着执行步数增加，失败的可能性指数增加，并且从错误中恢复的机会很小。一种有前途的方法是使用Agent系统来生成确定性计划，然后以结构化、可重复的方式执行这些计划，带来的好处包括：
•生成的计划可以作为提示词中的少数样本，或微调数据。
•使系统更加容易测试和调试，失败可以追溯到计划中的具体步骤。
•生成的计划可以表示为有向无环图 (DAG)，相对于静态提示词，它更容易理解和适应新情况。
我们如果用具体的事例来说的话，可能是这样的：
假设我们有一个AI助手，它的任务是帮用户在线购买一件商品。这个任务涉及很多步骤，比如搜索商品、比较价格、选择合适的选项、添加到购物车、填写支付信息等。随着步骤的增加，出错的可能性也增加。
ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 15px;margin: 1.5em 8px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">生成确定性计划的好处1.生成的计划可以作为少数样本或微调数据比如，AI助手生成了一个购物计划：这个具体的计划可以用来教AI助手如何完成类似的任务，也可以作为训练数据来微调AI模型，让它在类似任务中表现得更好。
•第一步：在搜索栏输入商品名称。
•第二步：筛选出最低价的商品。
•第三步：选择合适的颜色和尺寸。
•第四步：添加到购物车。
•第五步：填写支付信息并确认订单。
2.让系统更容易测试和调试如果AI助手在购买过程中出错了，比如没有正确选择颜色，我们可以回溯到“第三步：选择合适的颜色和尺寸”，找到问题所在并进行修正。这比在一个没有明确步骤的任务中找问题要容易得多。
3.生成的计划可以表示为有向无环图 (DAG)我们可以把这个购物计划画成一个图表，每个步骤都是一个节点，节点之间有箭头连接，表示步骤的顺序：
ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 14px;overflow-x: auto;border-radius: 8px;margin: 10px 8px;">搜索商品->筛选价格->选择颜色和尺寸->添加到购物车->填写支付信息这个图表让每个步骤和顺序一目了然，比文字描述更直观。如果我们需要修改计划，比如在筛选价格之前先检查商品评价，我们只需要在图表上添加一个新节点，并调整箭头连接即可。
通过这种确定性工作流程，我们可以让AI助手在执行任务时更稳定、更可预测、更容易调试和改进，同时也能更好地适应新情况。
你可能会问“生成的计划可以作为少数样本或微调数据”？具体又是如何操作呢，没关系，我这里也准备了：
ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 15px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">向上滑动以下是一个具体的示例，展示如何生成确定性计划并将其用作训练数据或微调数据，以提高AI助手在完成类似任务中的表现。
在任务中需要提供多样化的输出，比如根据用户之前购买过的产品推荐新产品时，仅仅通过提高模型的温度参数可能并不足够，甚至会带来一些问题。以下是一些具体的方法和经验：
1.谨慎调整温度参数：
•虽然提高温度参数可以增加输出的随机性，但温度太高时，模型可能会生成不存在的产品或出现乱码。例如，如果温度设为0.9，模型可能会推荐“飞行汽车”，这显然不现实。保持温度在一个合理范围内（如0.7左右）更为稳妥。
2.调整提示词顺序：
•改变提示词中的元素顺序可以显著影响模型的输出。例如，用户购买历史是“笔记本、手机、耳机”，可以打乱顺序为“耳机、笔记本、手机”或者“手机、耳机、笔记本”，这样模型会根据新的顺序生成不同的推荐。
3.保留前几轮的输出：
•在每次推荐时，保留前几轮已经推荐过的产品，并明确告诉模型避免重复。例如，如果用户之前购买了“笔记本”和“耳机”，模型在推荐新产品时避免再次推荐这两样产品。这可以通过在提示词中加入“请不要推荐已经购买的产品：笔记本、耳机”来实现。
4.改变提示词措辞：
•使用不同的表达方式可以引导模型生成不同的推荐。例如：
•提示词1：“推荐用户喜欢经常使用的产品。”
•提示词2：“推荐用户可能会推荐给朋友的产品。” 通过这样的小变化，模型可能会推荐不同的产品，例如第一个提示词可能会推荐“鼠标”，而第二个提示词可能会推荐“智能音箱”。
天工SkyAgents的Agent构建实战SkyAgents 依靠强大的天工大模型，将 AI 的使用门槛进一步降低。它可以让用户通过轻松友好界面搭建，便可拥有自己专属的 AI Agents，无需复杂的编程知识，充分发挥你的创意灵感。
先聊聊AI模块的一些配置数值。你可能在使用AI模块时注意到有些设置，比如对话模型选择、温度、回复上限等操作。接下来，我会用简单易懂的方式给大家讲解这些功能的含义。
这是一个固定的引导词，通过调整这个内容，你可以引导模型的聊天方向。这段内容会被固定在上下文的开头。你还可以使用变量，比如 {{language}}，来让提示词更灵活。
温度表示AI在回复过程中内容的严谨程度。数值越低，回复越严谨，特别是在知识库回答场景中。严谨的回复会更接近知识库的内容，通常设置为 0。
这个设置控制AI回复内容的字数。上限越低，回复的字数越少；上限越高，回复的字数越多。但并不是数值越大越好，因为上限越高，AI可能引用的内容越多，结果会出现一些无关的信息。
这个数值控制用户提问与搜索结果之间的相似度。相似度越高，搜索出的结果可能越少。
当在知识库进行搜索时，这个设置决定了最多取多少条结果。请注意，取的结果并不是越多越好，因为受模型最大 Tokens 和单条知识库内容大小的影响，具体可用数量要根据具体情况而定。建议设置为 1，会有更好的回复体验。
更多单元模块说明（向上滑动）
1.按照信息流转的顺序进行模块排布：一个 Agents 的顺利运行，与合理的排布密不可分。在真正着手设计前，先进行一个整体规划，列出编排的目的和希望实现的效果，思考需要哪些模块进行组合，做好提前的规划。
2.持续进行调试优化以满足目标需求：Agent的搭建往往需要多次调试才能满足需求，尤其在复杂的逻辑编排中，更需要仔细进行连线设计与参数设计。持续调整优化节点排布，将提升Agent的体验质量。
3.注意模块的必填信息与核心配置：在使用模块时，注意每个模块都有必填信息与选填信息。在设计画布时，将必填信息设置好，选填信息也进行合理排布规划，有助于理清思路，确保编排顺畅。
4.灵活运营信息处理的三大模块：信息分类、信息提取、信息加工是更多用户使用体验的核心。通过这三个模块，可以实现更复杂的信息处理任务，提升整体系统的效能。
在开始知识库Agent的创建之前，你可以速览一下这个新手入门：搭建第一个 Agent（向上滑动）
知识库 Agent 是当前受欢迎的一类工具，它将个人或企业的专有数据与大型模型相结合，进一步扩展了大模型的知识库范围，使其与业务更紧密地结合。
在 Agent 的配置过程中，如果在 Agent 设置页面中选择关联了“知识库”，我们就能够在规划页面中看到新增加的“知识库搜索”模块。本次案例将着重介绍“知识库搜索”模块的功能设计。
本案例中，我们将创建一个名为“大预言模型助手”的 Agent，将整理好的大语言模型相关资料作为知识库。这个 Agent 将充当大语言模型方面的专家，回答关于大语言模型方面的提问。
在 Agent 的画布规划中，新增了一个“知识库搜索”模块，借助“知识库”中上传的资料，辅助 AI 完成大模型相关问题的回复。它的具体逻辑如下：
•通过“用户提问”模块获取用户输入信息，并通过“用户提问”输出。
•“知识库搜索”模块通过“信息输入”输入用户的问题，然后执行以下步骤：
1.将用户提问进行向量化，并与“大语言模型”的知识库中已有的内容切片进行向量检索。
2.将搜索结果进行相似度排序，返回相似度排名靠前的切片。
•连线2：如果“知识库搜索”结果中没有符合条件的切片内容，将触发“确定回复”模块，回复用户“抱歉，这个问题暂时无法回答，我还需要更多的学习”。
•连线3：如果“知识库搜索”结果搜索到有符合条件的切片内容，将触发“智能对话”模块，并将提示词、“知识库搜索结果”以及“用户提问”一同传给“智能对话”模块进行处理。
在“知识库搜索”模块中，有两个参数：知识库相似度和知识库单次搜索上限。它们控制了知识库向量搜索的结果和返回结果。具体说明如下：
•知识库相似度：控制用户提问与搜索结果之间的相似度。建议调整在 0.6-0.9 左右。
•单次搜索上限：设置最多取 x 条作为搜索结果输出。可通过调整参数并测试，选择更合适的上限数值。
我构建一个一个结合知识库和搜索引擎功能的智能代理系统Agent：
首先，大模型会在内部知识库中进行问题相关的搜索，然后利用知识库中找到的信息在互联网上进行进一步的搜索。
最终，综合本地知识和互联网搜索结果来回答问题，实现既有本地知识又有网络搜索的效果。
效果演示：
怎么发布呢？：发布上架流程（向上滑动）
6月3日，昆仑万维宣布开源 2 千亿稀疏大模型 Skywork-MoE ，性能强劲，同时推理成本更低。
Skywork-MoE 基于之前昆仑万维开源的 Skywork-13B 模型中间 checkpoint 扩展而来， 是首个完整将 MoE Upcycling 技术应用并落地的开源千亿 MoE大模型，也是首个支持用单台 4090 服务器推理的开源千亿 MoE大模型。
| 欢迎光临 链载Ai (https://www.lianzai.com/) | Powered by Discuz! X3.5 |