探索AI智能体Agent的核心架构:记忆、工具与行动

近年来,人工智能技术不断发展,智能体Agent在各种应用场景中发挥着越来越重要的作用。这篇文章将详细解析智能体Agent的记忆与决策框架,探讨其多模态感知、记忆、规划决策等各个环节的实现与应用。智能体Agent是人工智能领域的重要研究方向,广泛应用于自动驾驶、智能家居、金融分析等多个领域。本文将以一幅示意图为基础,详细解析智能体Agent在记忆与决策过程中各个模块的功能及其相互关系。并通过实际代码案例进行讲解。

探索AI智能体Agent的核心架构:记忆、工具与行动_第1张图片

一、多模态感知

多模态感知是智能体Agent理解世界的基础,它包括对文字、图像、声音等多种信息的感知与处理。在本框架中,多模态感知模块接收外界的提示词和图像信息,为智能体Agent提供原始数据输入。

  • 多模态感知的定义 多模态感知指的是系统能够同时处理来自不同感官的信息,如视觉、听觉和语言输入。这使得智能体Agent能够更全面地理解复杂的环境和任务需求。

  • 多模态感知的实现 多模态感知需要使用多种传感器和处理器。例如,摄像头、麦克风和文本输入设备。通过深度学习算法,智能体Agent能够将这些感知数据转换为有用的信息。

二、记忆模块

记忆模块是智能体Agent的大脑,它负责存储和管理短期和长期记忆。在本框架中,记忆模块分为短期记忆和长短期记忆两个部分。

  • 短期记忆 短期记忆类似于人类的大脑在处理当前任务时的临时记忆,用于快速响应和处理即时信息。

  • 长短期记忆 长短期记忆结合了短期记忆和长期记忆的优势,用于在完成任务过程中保持和利用重要信息。

三、规划与决策

探索AI智能体Agent的核心架构:记忆、工具与行动_第2张图片

智能体Agent的规划与决策模块是其核心功能之一。它根据记忆模块中的信息,制定合理的行动计划,并进行思维链、反思和自我批评等过程。

  • 思维链 思维链是智能体Agent在决策过程中,逐步推理和演绎的过程。通过不断地思考和分析,Agent能够得出最优的解决方案。

  • 反思与自我批评 反思与自我批评是智能体Agent在任务完成后,回顾和评估自身表现的过程。这一过程能够帮助Agent不断改进和优化自身算法和策略。

  • 子目标分解 在复杂任务中,智能体Agent需要将整体目标分解为若干子目标,并逐一实现。这一过程需要Agent具备良好的规划和协调能力。

四、工具模块

工具模块是智能体Agent执行任务时所依赖的外部资源。在本框架中,工具模块包括搜索引擎、计算器、代码解释器和日历等。

  • 搜索引擎 搜索引擎为智能Agent提供了强大的信息检索能力,能够快速查找和获取所需的信息。

  • 计算器 计算器为智能体Agent提供了复杂计算能力,能够进行各种数学运算和数据处理。

  • 代码解释器 代码解释器帮助智能体Agent理解和执行代码,实现自动化任务和编程操作。

  • 日历 日历工具帮助智能体Agent管理时间和任务,提高工作效率。

五、行动模块

行动模块是智能体Agent执行具体任务和操作的最终环节。在本框架中,行动模块通过调用工具模块中的资源,完成预定的任务和目标。

六、ReAct 核心思想是:推理+操作

接下来以Google Search 和 LLM Math等作为可选操作集合(toolkits),实现 ReAct 功能

1、实现 ReAct 算法的测试函数:使用 LangChain 库和 OpenAI API 来执行推理和操作。

`# 以下`SERPAPI_API_KEY`仅为示例,请访问 https://serpapi.com 注册账号并替换为自己的 `API_KEY`(每月100次免费调用)```def react_test():`    `"""`    `实现 ReAct 算法的测试函数。`    `使用 LangChain 库和 OpenAI API 来执行推理和操作。`    `"""`    `os.environ["SERPAPI_API_KEY"] = os.getenv('SERPAPI_API_KEY')`    `# 加载 LangChain 内置的 Tools`    `tools = load_tools(["serpapi", "llm-math"], llm=llm)`    `# 实例化 ZERO_SHOT_REACT Agent`    `agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)`    `print(agent.run("谁是莱昂纳多·迪卡普里奥的女朋友?她现在年龄的0.43次方是多少"))``   

2、测试自我提问与搜索功能的函数:使用 SerpAPI 来执行搜索操作,并结合 LangChain 的工具和LLM进行问答。

def self_ask_with_search_test():`    `"""`    `测试自我提问与搜索功能的函数。`    `使用 SerpAPI 来执行搜索操作,并结合 LangChain 的工具和LLM进行问答。`    `"""`    `os.environ["SERPAPI_API_KEY"] = os.getenv('SERPAPI_API_KEY')`    `# 实例化查询工具`    `search = SerpAPIWrapper()`    `tools = [`        `Tool(`            `name="Intermediate Answer",`            `func=search.run,`            `description="useful for when you need to ask with search",`        `)`    `]`    `# 实例化 SELF_ASK_WITH_SEARCH Agent`    `self_ask_with_search = initialize_agent(`        `tools, llm, agent=AgentType.SELF_ASK_WITH_SEARCH, verbose=True,handle_parsing_errors=True`    `)`    `# 实际运行 Agent,查询问题(正确)`    `self_ask_with_search.run(`        `"成都举办的大运会是第几届大运会?"`    `)

3、测试函数工具的函数:使用 LangChain 和 OpenAI 来执行特定的函数操作。

@tool``def get_word_length(word: str) -> int:`    `"""`    `计算单词长度的工具函数。`    `    参数:`    `word: 要计算长度的单词。`    `    返回:`    `单词的长度。`    `"""`    `"""Returns the length of a word."""`    `return len(word)``   ``tools = [get_word_length]``def function_test():`    `"""`    `测试函数工具的函数。`    `使用 LangChain 和 OpenAI 来执行特定的函数操作。`    `"""`    `system_message = SystemMessage(content="你是非常强大的AI助手,但在计算单词长度方面不擅长。")`    `prompt = OpenAIFunctionsAgent.create_prompt(system_message=system_message)`    `agent = OpenAIFunctionsAgent(llm=llm, tools=tools, prompt=prompt)`    `# 实例化 OpenAIFunctionsAgent`    `agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)`    `agent_executor.run("单词“educa”中有多少个字母?")

4、测试函数记忆功能的函数:使用 LangChain 的记忆机制来保持对话上下文。

def function_memory_test():`    `"""`    `测试函数记忆功能的函数。`    `使用 LangChain 的记忆机制来保持对话上下文。`    `"""`    `system_message = SystemMessage(content="你是非常强大的AI助手,但在计算单词长度方面不擅长。")`    `MEMORY_KEY = "chat_history"`    `prompt = OpenAIFunctionsAgent.create_prompt(`        `system_message=system_message,`        `extra_prompt_messages=[MessagesPlaceholder(variable_name=MEMORY_KEY)]`    `)`    `memory = ConversationBufferMemory(memory_key=MEMORY_KEY, return_messages=True)`    `agent = OpenAIFunctionsAgent(llm=llm, tools=tools, prompt=prompt)`    `# 实例化 OpenAIFunctionsAgent`    `agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)`    `agent_executor.run("单词“educa”中有多少个字母?")`    `#agent_executor.run("那是一个真实的单词吗?")

5、完整代码

# 加载环境变量``import openai``import os``import tiktoken``# 加载 .env 文件``from dotenv import load_dotenv, find_dotenv``from langchain.prompts import PromptTemplate``from langchain.llms import OpenAI``from langchain.chains import LLMChain``#from langchain.chat_models import AzureChatOpenAI``from langchain.chat_models import ChatOpenAI #直接访问OpenAI的GPT服务``from langchain.agents import load_tools``from langchain.agents import initialize_agent``from langchain.agents import AgentType,Tool``from langchain.utilities import SerpAPIWrapper``from langchain.schema import SystemMessage``from langchain.agents import OpenAIFunctionsAgent``from langchain.agents import AgentExecutor``from langchain.agents import tool``from langchain.prompts import MessagesPlaceholder``from langchain.memory import ConversationBufferMemory``   ``# 加载环境变量``_ = load_dotenv(find_dotenv())``# 从环境变量中获得你的 OpenAI Key和配置URL``openai.api_key = os.getenv('OPENAI_API_KEY')``openai.api_base = os.getenv('OPENAI_API_URL')``model = os.getenv('OPENAI_API_MODEL')``   ``# 初始化LLM链``llm = ChatOpenAI(model_name=model, temperature=0) #直接访问OpenAI的GPT服务``   ```# ReAct 核心思想是 推理+操作,本示例以` Google Search` 和 `LLM Math` 作为可选操作集合(toolkits),实现 ReAct 功能。````# 以下`SERPAPI_API_KEY`仅为示例,请访问 https://serpapi.com 注册账号并替换为自己的 `API_KEY`(每月100次免费调用)```def react_test():`    `"""`    `实现 ReAct 算法的测试函数。`    `使用 LangChain 库和 OpenAI API 来执行推理和操作。`    `"""`    `os.environ["SERPAPI_API_KEY"] = os.getenv('SERPAPI_API_KEY')`    `# 加载 LangChain 内置的 Tools`    `tools = load_tools(["serpapi", "llm-math"], llm=llm)`    `# 实例化 ZERO_SHOT_REACT Agent`    `agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)`    `print(agent.run("谁是莱昂纳多·迪卡普里奥的女朋友?她现在年龄的0.43次方是多少"))``   ``def self_ask_with_search_test():`    `"""`    `测试自我提问与搜索功能的函数。`    `使用 SerpAPI 来执行搜索操作,并结合 LangChain 的工具和LLM进行问答。`    `"""`    `os.environ["SERPAPI_API_KEY"] = os.getenv('SERPAPI_API_KEY')`    `# 实例化查询工具`    `search = SerpAPIWrapper()`    `tools = [`        `Tool(`            `name="Intermediate Answer",`            `func=search.run,`            `description="useful for when you need to ask with search",`        `)`    `]`    `# 实例化 SELF_ASK_WITH_SEARCH Agent`    `self_ask_with_search = initialize_agent(`        `tools, llm, agent=AgentType.SELF_ASK_WITH_SEARCH, verbose=True,handle_parsing_errors=True`    `)`    `# 实际运行 Agent,查询问题(正确)`    `self_ask_with_search.run(`        `"成都举办的大运会是第几届大运会?"`    `)``   ``@tool``def get_word_length(word: str) -> int:`    `"""`    `计算单词长度的工具函数。`    `    参数:`    `word: 要计算长度的单词。`    `    返回:`    `单词的长度。`    `"""`    `"""Returns the length of a word."""`    `return len(word)``   ``tools = [get_word_length]``def function_test():`    `"""`    `测试函数工具的函数。`    `使用 LangChain 和 OpenAI 来执行特定的函数操作。`    `"""`    `system_message = SystemMessage(content="你是非常强大的AI助手,但在计算单词长度方面不擅长。")`    `prompt = OpenAIFunctionsAgent.create_prompt(system_message=system_message)`    `agent = OpenAIFunctionsAgent(llm=llm, tools=tools, prompt=prompt)`    `# 实例化 OpenAIFunctionsAgent`    `agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)`    `agent_executor.run("单词“educa”中有多少个字母?")``   ``def function_memory_test():`    `"""`    `测试函数记忆功能的函数。`    `使用 LangChain 的记忆机制来保持对话上下文。`    `"""`    `system_message = SystemMessage(content="你是非常强大的AI助手,但在计算单词长度方面不擅长。")`    `MEMORY_KEY = "chat_history"`    `prompt = OpenAIFunctionsAgent.create_prompt(`        `system_message=system_message,`        `extra_prompt_messages=[MessagesPlaceholder(variable_name=MEMORY_KEY)]`    `)`    `memory = ConversationBufferMemory(memory_key=MEMORY_KEY, return_messages=True)`    `agent = OpenAIFunctionsAgent(llm=llm, tools=tools, prompt=prompt)`    `# 实例化 OpenAIFunctionsAgent`    `agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)`    `agent_executor.run("单词“educa”中有多少个字母?")`    `#agent_executor.run("那是一个真实的单词吗?")``   ``# python 入口函数``if __name__ == '__main__':`    `#react_test()`    `#self_ask_with_search_test()`    `#function_test()`    `function_memory_test()
七、总结

通过以上分析和案例,我们可以看出智能Agent在记忆与决策过程中,各个模块之间紧密配合,相互支持,形成了一个完整的智能系统。多模态感知为Agent提供了丰富的输入信息,记忆模块存储和管理这些信息,规划与决策模块制定合理的行动计划,工具模块提供必要的资源支持,最终通过行动模块完成任务。这一框架不仅为我们理解智能Agent的工作原理提供了有力支持,也为实际应用中的智能系统设计和开发提供了宝贵的参考。未来,随着技术的不断进步,智能Agent必将在更多领域中发挥重要作用,为我们的生活和工作带来更多便利和创新。

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。

在这里插入图片描述

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

在这里插入图片描述

你可能感兴趣的:(chatgpt,人工智能,语言模型,金融,AIGC,机器学习,embedding)