使用Zigent框架的DeepSeek智能体开发指南

最新推荐文章于 2025-06-11 20:05:28 发布
最新推荐文章于 2025-06-11 20:05:28 发布
阅读量708 收藏 16
点赞数 9
文章标签： 语言模型 知识图谱 AI大模型 自然语言处理 LLM ai 智能体
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Androiddddd/article/details/145874322
版权

一、Zigent是什么？

1.介绍

Zigent是基于Salesforce AI Research团队开发的AgentLite框架改进的智能体开发框架。它专为构建和研究基于LLM的任务导向型多Agent系统设计，具备以下核心特性：

在这里插入图片描述

2. zigent 和 AgentLite 有什么区别？

在这里插入图片描述

二、环境配置

这里我们使用conda配置环境

1.Conda环境配置

  • 创建激活zigent环境
# 创建专用环境
conda create -n zigent python=3.9
conda activate zigent
  • 安装依赖包
# 安装核心依赖
pip install zigent duckduckgo_search python-dotenv

  • 验证是否安装成功！
# 验证脚本 verify_install.py
from zigent import __version__
print(f"Zigent版本: {__version__}")

from zigent.agents import BaseAgent
print("基础Agent类加载成功！")

安装成功！

三、快速入门

1.配置LLM

下面是我们在根目录下创建的环境变量，各位可以直接按照这个参考：
在这里插入图片描述

然后我们按照下面的代码测试模型调用是否正常！

import os
from dotenv import load_dotenv
from typing import List

# 引入 zigent 相关的方法如Action、Agent、大模型配置等以及 duckduckgo_search 
from zigent.agents import ABCAgent, BaseAgent
from zigent.llm.agent_llms import LLM
from zigent.commons import TaskPackage
from zigent.actions.BaseAction import BaseAction
from zigent.logging import AgentLogger
from duckduckgo_search import DDGS

# 加载环境变量
load_dotenv()
# 从环境变量中读取api_key
api_key = os.getenv('API_KEY')
base_url = os.getenv('BASE_URL')
chat_model = os.getenv('MODEL_NAME')

llm = LLM(api_key=api_key, base_url=base_url, model_name=chat_model)
response = llm.run("你是谁？")
print(response)

2.Action创建

在Zigent框架中，动作（Action）是智能代理执行具体任务的基本单元。每个动作都需要明确定义其元数据和行为规范。以下是每个Action定义的字段和属性：

在这里插入图片描述

下面是一个基于duckduckgo_search的搜索Action，我们可以调用试试：

duckduckgo_search使用时访问的是国外的服务器，因此需要科学代理才能使用，如果要用国内的，可以考虑百度AI搜索和智谱AI搜索的接口；

from typing import List, Dict, Any
# 引入Zigent框架的核心组件
from zigent.actions.BaseAction import BaseAction
# 引入DuckDuckGo搜索库
from duckduckgo_search import DDGS




class SearchAction(BaseAction):
    """
    自定义搜索动作类，继承自BaseAction。
    该动作用于通过DuckDuckGo搜索引擎执行网页搜索。
    """

    def __init__(self):
        """
        初始化搜索动作。
        - 定义动作名称、描述和参数文档。
        - 初始化DuckDuckGo搜索客户端。
        """
        super().__init__(
            action_name="WebSearch",  # 动作名称
            action_desc="通过DuckDuckGo搜索引擎执行网页搜索，支持关键词查询和结果数量限制。",  # 动作描述
            params_doc={
                "query": {
                    "description": "搜索关键词，支持布尔表达式",
                    "type": "string",
                    "required": True,
                    "example": "Zigent框架使用指南"
                },
                "max_results": {
                    "description": "最大返回结果数",
                    "type": "int",
                    "required": False,
                    "default": 5,
                    "range": "1-10"
                }
            }
        )
        self.ddgs = DDGS()  # 初始化DuckDuckGo搜索客户端

    def __call__(self, query: str, max_results: int = 5) -> List[Dict[str, Any]]:
        """
        执行搜索操作。
        
        参数:
        - query: 搜索关键词（字符串）
        - max_results: 最大返回结果数（整数，默认为5）
        
        返回:
        - 搜索结果列表，每个结果是一个字典，包含标题、链接和摘要等信息。
        """
        try:
            # 调用DuckDuckGo搜索API
            results = self.ddgs.text(query, max_results=max_results)
            return results
        except Exception as e:
            # 捕获异常并返回错误信息
            return [{"error": str(e)}]



if __name__ == "__main__":
    # 初始化搜索动作
    search_action = SearchAction()

    # 测试搜索功能
    query = "Zigent框架最新版本"# 搜索关键词
    max_results = 5# 最大返回结果数

    # 执行搜索
    results = search_action(query, max_results=max_results)

    # 打印搜索结果
    print("搜索关键词:", query)
    print("返回结果数:", len(results))
    print("搜索结果:")
    for i, result in enumerate(results, start=1):
        print(f"\n结果 {i}:")
        print("标题:", result.get("title", "无标题"))
        print("链接:", result.get("link", "无链接"))
        print("摘要:", result.get("body", "无摘要"))

在这里插入图片描述

可以看到，这里搜出了多个结果！

4. Agent创建

ok,到代理了，我们直接基于上面的Action创建搜索Agent,后面解释其参数：

import os
from dotenv import load_dotenv
from typing import List, Dict, Any

# 引入Zigent框架的核心组件
from zigent.agents import BaseAgent
from zigent.llm.agent_llms import LLM
from zigent.actions.BaseAction import BaseAction
from zigent.commons import TaskPackage
from zigent.logging import AgentLogger

# 引入DuckDuckGo搜索库
from duckduckgo_search import DDGS

# 加载环境变量
load_dotenv()

# 从环境变量中读取API配置
api_key = os.getenv('API_KEY')  # 大模型API密钥
base_url = os.getenv('BASE_URL')  # 大模型服务地址
chat_model = os.getenv('MODEL_NAME')  # 使用的模型名称

# 初始化大语言模型（LLM）
llm = LLM(api_key=api_key, base_url=base_url, model_name=chat_model)

# 测试LLM连接
response = llm.run("你是谁？")
print("LLM响应:", response)




class SearchAction(BaseAction):
    """
    自定义搜索动作类，继承自BaseAction。
    该动作用于通过DuckDuckGo搜索引擎执行网页搜索。
    """

    def __init__(self):
        """
        初始化搜索动作。
        - 定义动作名称、描述和参数文档。
        - 初始化DuckDuckGo搜索客户端。
        """
        super().__init__(
            action_name="WebSearch",  # 动作名称
            action_desc="通过DuckDuckGo搜索引擎执行网页搜索，支持关键词查询和结果数量限制。",  # 动作描述
            params_doc={
                "query": {
                    "description": "搜索关键词，支持布尔表达式",
                    "type": "string",
                    "required": True,
                    "example": "Zigent框架使用指南"
                },
                "max_results": {
                    "description": "最大返回结果数",
                    "type": "int",
                    "required": False,
                    "default": 5,
                    "range": "1-10"
                }
            }
        )
        self.ddgs = DDGS()  # 初始化DuckDuckGo搜索客户端

    def __call__(self, query: str, max_results: int = 5) -> List[Dict[str, Any]]:
        """
        执行搜索操作。
        
        参数:
        - query: 搜索关键词（字符串）
        - max_results: 最大返回结果数（整数，默认为5）
        
        返回:
        - 搜索结果列表，每个结果是一个字典，包含标题、链接和摘要等信息。
        """
        try:
            # 调用DuckDuckGo搜索API
            results = self.ddgs.text(query, max_results=max_results)
            return results
        except Exception as e:
            # 捕获异常并返回错误信息，保持结构一致
            return [{"title": "错误", "link": "", "body": str(e)}]


class SearchAgent(BaseAgent):
    """
    搜索代理类，继承自BaseAgent。
    该代理用于执行搜索任务，并返回格式化后的结果。
    """

    def __init__(self, llm: LLM):
        """
        初始化搜索代理。
        
        参数:
        - llm: 大语言模型实例，用于结果格式化。
        """
        super().__init__(
            name="search_agent",  # 代理名称
            role="通过DuckDuckGo搜索引擎回答用户问题",  # 代理角色描述
            llm=llm,  # 绑定大语言模型
            actions=[SearchAction()]  # 绑定搜索动作
        )


# 示例：使用搜索代理执行任务
if __name__ == "__main__":
    # 初始化搜索代理
    search_agent = SearchAgent(llm=llm)

    # 创建搜索任务
    task = TaskPackage(instruction="2025年量化交易市场前景")

    # 执行任务
    raw_results = search_agent(task)
    print("原始搜索结果:", raw_results)

调用测试：

在这里插入图片描述

没有问题，正常调用，其也进行了思考和回答生成；

5.多Agent实战

现在我们开始构建多Agent系统,这里我们直接开始构建：

① 场景描述：

  • 在信息爆炸的时代，用户需要快速获取新闻摘要以节省时间。我们的目标是构建一个多智能体系统，能够从多个新闻源获取最新新闻，并生成简洁的摘要，供用户快速浏览。

② 系统设计

在这里插入图片描述

③ 代码实现

import os
from dotenv import load_dotenv
from typing import List, Dict, Any
import requests

from zigent.agents import BaseAgent
from zigent.llm.agent_llms import LLM
from zigent.actions.BaseAction import BaseAction
from zigent.commons import TaskPackage
from duckduckgo_search import DDGS

# 加载环境变量
load_dotenv()

# 从环境变量中读取API配置
api_key = os.getenv('API_KEY')  # 大模型API密钥
base_url = os.getenv('BASE_URL')  # 大模型服务地址
chat_model = os.getenv('MODEL_NAME')  # 使用的模型名称

# 初始化大语言模型（LLM）
llm = LLM(api_key=api_key, base_url=base_url, model_name=chat_model)

# 测试LLM连接
response = llm.run("你是谁？")
print("LLM响应:", response)

# 定义新闻获取动作
class NewsFetchAction(BaseAction):
    def __init__(self):
        super().__init__(
            action_name="NewsFetch",
            action_desc="从DuckDuckGo获取最新新闻链接。",
            params_doc={"query": {"description": "搜索关键词", "type": "string", "required": True}},
        )
        self.ddgs = DDGS()

    def __call__(self, query: str) -> List[Dict[str, Any]]:
        try:
            results = list(self.ddgs.text(query, max_results=5))
            return results
        except Exception as e:
            returnf"error: {str(e)}"

class BlogCreationAction(BaseAction):
    def __init__(self):
        super().__init__(
            action_name="BlogCreation",
            action_desc="根据新闻摘要生成博客文章。",
            params_doc={"summaries": {"description": "新闻摘要列表", "type": "list", "required": True}},
        )

    def __call__(self, summary: str) -> str:
        try:
            prompt = f"请根据以下新闻摘要撰写一篇博客文章：\n\n{summary}"
            blog_content = llm.run(prompt)
            return blog_content
        except Exception as e:
            returnf"生成博客文章时出错：{str(e)}"


class BlogPublishAction(BaseAction):
    def __init__(self):
        super().__init__(
            action_name="BlogPublish",
            action_desc="将博客文章发布到指定平台。",
            params_doc={"content": {"description": "博客文章内容", "type": "string", "required": True},
                        "platform": {"description": "发布平台", "type": "string", "required": True}},
        )

    def __call__(self, content: str, platform: str) -> str:
        try:
            # 这里以打印为例，实际应用中可以调用相应平台的API进行发布
            print(f"发布到{platform}:\n{content}")
            returnf"成功将博客文章发布到{platform}。"
        except Exception as e:
            returnf"发布博客文章时出错：{str(e)}"



# 定义新闻获取代理
class NewsFetcherAgent(BaseAgent):
    def __init__(self, llm: LLM):
        super().__init__(
            name="news_fetcher_agent",
            role="从DuckDuckGo获取最新新闻。",
            llm=llm,
            actions=[NewsFetchAction()],
        )

    def fetch_news(self, query: str) -> List[Dict[str, Any]]:
        # Create a task package with the query parameter
        task = TaskPackage(instruction=query)
        # Call the agent with the task package
        return self(task)

## 定义新闻摘要代理
class NewsSummarizerAgent(BaseAgent):
    def __init__(self, llm: LLM):
        super().__init__(
            name="news_summarizer_agent",
            role="对获取的新闻内容进行摘要。",
            llm=llm,
            actions=[BlogCreationAction()],
        )

    def summarize_news(self, news_results: List[Dict[str, Any]]) -> str:
        summaries = []
        for result in news_results:
            if isinstance(result, dict) and'body'in result:
                news_content = result['body']
                title = result.get('title', '无标题')
                prompt = f"请为以下新闻内容撰写一篇简短的总结：\n\n标题：{title}\n内容：{news_content}"
                summary = self.llm.run(prompt)
                summaries.append(summary)
        
        ifnot summaries:
            return"未能获取到任何有效的新闻内容"
            
        # 将所有摘要合并成一个字符串，并添加一个总体性的提示
        combined_content = "以下是最新的科技新闻摘要：\n\n" + "\n\n".join(summaries)
        prompt = f"请根据以下新闻摘要，撰写一篇完整的科技新闻综述文章：\n\n{combined_content}"
        
        # 调用BlogCreationAction生成博客文章
        blog_content = self.llm.run(prompt)
        return blog_content

# 定义新闻发布代理
class NewsPublisherAgent(BaseAgent):
    def __init__(self, llm: LLM):
        super().__init__(
            name="news_publisher_agent",
            role="将新闻摘要发布到指定平台。",
            llm=llm,
            actions=[BlogPublishAction()],
        )

    def publish_news(self, content: str, platform: str):
        # 调用BlogPublishAction发布博客文章
        result = self.actions[0](content, platform)
        print(result)


# 示例：使用新闻获取和摘要代理
if __name__ == "__main__":
    # 初始化代理
    news_fetcher = NewsFetcherAgent(llm=llm)
    news_summarizer = NewsSummarizerAgent(llm=llm)
    news_publisher = NewsPublisherAgent(llm=llm)

    # 获取新闻
    query = "最近量化市场的趋势"
    content = news_fetcher.fetch_news(query)

    # 摘要新闻并撰写博客
    summaries = news_summarizer.summarize_news(content)
    print("新闻摘要:", summaries)

    # 发布新闻
    news_publisher.publish_news(summaries, platform="微信公众号")

大家可以根据自己的需求来接入平台接口进行发布，或者使用自动化进行发布；

没有问题！

文章参考

  • DeepSeek官方文档: https://platform.deepseek.com/api-docs/
  • wow-agent: https://www.datawhale.cn/learn/content/86/3056

项目地址

  • AgentLite: https://github.com/SalesforceAIResearch/AgentLite

如何系统学习掌握AI大模型？

AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。

学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。

这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

在这里插入图片描述

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。
在这里插入图片描述

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

在这里插入图片描述

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

在这里插入图片描述

4. 2024行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

在这里插入图片描述

5. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

在这里插入图片描述

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

在这里插入图片描述

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方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

《DeepSeek全栈AI开发指南》- 从零构建企业级智能体)
weixin_52548902的博客
03-12 819
在评论区提交错误报告，获取专家级解决方案！💡 遇到未覆盖的复杂错误？
【实战教程】手把手教你使用DeepSeek智能模型开发AI应用
风一样
02-09 763
在人工智能技术飞速发展的今天，DeepSeek作为国产领先的智能模型平台，凭借其强大的自然语言处理能力和便捷的API接口，正在成为开发者构建AI应用的新宠。本文将带你从零开始掌握DeepSeek的核心使用方法。通过本文的学习，相信你已经掌握了DeepSeek的核心使用方法。建议结合官方文档进行更深入的探索，也欢迎在评论区交流实战经验！DeepSeek官方文档GitHub示例项目。
超详细！DeepSeek本地搭建部署、搭建知识库及智能体教程
Ljugg的博客
02-28 5631
通过以上详细的步骤，我们完成了DeepSeek的本地搭建部署、知识库的搭建以及智能体的创建。这一过程不仅让我们深入了解了大模型的应用，还为我们开发个性化的智能应用奠定了基础。在实际应用中，可以根据具体需求进一步优化模型、知识库和智能体的性能和功能。希望本文能帮助大家快速上手DeepSeek相关技术，开启属于自己的人工智能创新之旅。
从零搭建智能体：用DeepSeek构建AI智能体Agent实战
dibdoehn的博客
05-15 1139
本文采用一个小demo介绍AIAgent的原理并实现了一个简单的Agent
基于Zigent框架的DeepSeek智能体完全开发指南
极限突破者的博客
02-17 1496
Hello，大家好，我是GISer Liu😁，一名热爱AI技术的GIS开发者。Zigent是基于Salesforce AI Research团队开发的AgentLite框架改进的智能体开发框架。它专为构建和研究基于LLM的任务导向型多Agent系统设计。
基于 DeepSeek 从零构建 ReAct AI 智能体（文末含代码）
2201_75910862的博客
02-25 764
传统 AI 系统在处理简单任务时表现出色，它按照预定义逻辑处理输入、分析数据并产生响应。然而，在面对复杂、多步且需要持续调整和外部交互的问题时，传统方法就显得力不从心。例如，回答 “2024 年国际足联金球奖得主出生城市的天气如何” 这类问题，涉及到确定得主、找到其出生地以及查询该地天气等多个步骤，传统 AI 系统难以应对。ReAct AI 智能体则通过引入 “思考→行动→观察” 的循环模式，有效解决了上述问题。
Datawhale wow-agent task 03 Zigent 及应用
m0_52640340的博客
01-20 282
在实现定制任务时，我们需要根据场景定义单个或多个Agent，并为每个Agent设定他们的Action。例如构建一个搜索Agent：我们需要引入一个ZigentAgent，并为其配置大语言模型。二.在设置Action时，我们也可以通过编排动作设置Agent的"示例任务"。例如，我们需要Agent可以通过“先思考，后总结"的模式回答问题，我们可以将Action组合成模版序列，添加至Agent。该Agent继承自BaseAgent，需要配置其名称，角色，Action，llm等必要参数。
DeepSeek接入智能体，快速开发个人知识库，确实可以封神了！
算法channel
03-28 611
这里包括了Qwen2.5，TARS-67B是实在智能自研大模型，还有deepseek-R1大模型，其实对于现在的大模型，尺寸小的性能也正在变得越来越好，所以这实际上给本地跑大模型提供了更加便利条件。ero-shot learner），对从未见过的样本也有很强的学习能力，所以咱们直接上传文档给它，它直接学，然后回答我们，但是这种方法缺点也很明显，就是每次都要先去找文件然后再上传给它，很不方便！对于搭建一个知识库Agent来说，最重要的有两个环节，一是选择合适的大模型，另一个是上传个人知识库。
无理工科背景的零基础小白如何入门AI？AI学习资料分享
2401_85328934的博客
10-10 1635
信息爆炸的时代，加上AI技术的加持，如今想要找到学习和了解AI相关技术的资料并不难。但也正是因为信息数量太多，质量参差不齐，筛选高质量的学习资料自是会花费许多功夫。这一年多来，作为一名没有任何理工科背景的法务，为了能够了解AI这一行业和技术，我陆陆续续看了很多科普资料和专业书籍，在浩瀚的知识海洋里遇见过不少令人受益匪浅的宝藏，但也不乏让人觉得浪费时间的学术垃圾。回归的第一次发文，我想把我这一年多里遇到的自学好资料分享给大家，希望能够给像我这样想要了解AI技术和原理但又缺乏理工科背景的人一些帮助。
巨头悄悄布局！智能体 + DeepSeek 才是下一个大风口
EnjoyEDU的博客
02-14 1177
在科技飞速发展的当下，人工智能领域持续推陈出新，智能体与 DeepSeek 成为近期科技圈的焦点。在此时代背景下，“智能体 + DeepSeek” 正崭露头角，有望开启下一个重大发展浪潮，引领未来变革，成为科技领域的下一个风口。一直以来，Agent 的功能与体验受限于 AI 技术，简单地讲，就是“大脑”不够聪明。而当下 AI Agent之所以比较火，是因为 AI 技术在 LLM 上的突破与爆发，从生成到计算再到逻辑推理能力都有了质的飞跃，使 Agent 能够为大家带来更多功能及更好的体验。为了体现当代 Ag
爆火的与文档聊天的 RAG 开源工具，支持 GraphRAG 、多模态问答和多种复杂推理！
m0_59235699的博客
09-05 1822
在当今信息爆炸的时代，我们每天都在与海量的文档打交道，无论是研究报告、学术论文还是日常的工作文件。随着数据量的不断增长，如何高效地从这些文档中提取所需信息成为了一个挑战。随着 AI 技术的发展和 RAG 技术的出现，前面遇到的问题，有了一个很不错的解决方案。将您的文档转化为一个智能的知识库，让您能够通过简单的对话就能获取深入的洞察和答案。本文 Kakuqo 将介绍近期 Github 上非常火爆的开源项目 ——。是一个基于 RAG 的开源工具，让你可以轻松地与您的文档 “聊天”💬。
一文读懂Deepseek：开启智能时代新征程
qq_61962460的博客
02-05 3650
DeepSeek-R1 的出现，让我们看到了AI推理能力提升的更多可能性。它不仅证明了纯强化学习路线的潜力，也为如何打造更强大、更实用、更亲民的AI模型，指明了新的方向。总而言之，DeepSeek-R1 的问世，是AI发展史上一个重要的里程碑，它让我们看到了AI “思考” 的曙光，也让我们对未来的AI充满了期待！希望这篇文章能让你对 DeepSeek-R1 有个初步的了解。如果你对AI技术感兴趣，或者想了解更多DeepSeek-R1的细节，强烈建议你阅读一下论文原文，相信你会发现更多惊喜！
《用Coze开发智能体》详解Coze工作流：搭建DeepSeek R1思维导图智能体
python1222_的博客
03-24 1320
在上一次课程，我们设计了一个工作流，调用DeepSeek R1生成思维导图。我们对工作流的常用插件，进行了详细介绍。在本次课程中，我们创建一个智能体，调用思维导图工作流，生成思维导图。
PyCharm如何调用DeepSeek实现AI编程？手把手教你打造智能开发环境！[特殊字符]
2301_78338084的博客
02-12 1944
通过本文，你已掌握PyCharm与DeepSeek深度集成的全流程。无论是日常开发中的代码优化，还是复杂任务的智能辅助，DeepSeek都能显著提升效率。赶紧动手尝试，体验AI编程的乐趣吧！
TensorFlow相关组件的安装
AAI666666的博客
01-11 2875
TensorFlow相关组件的安装
[Datawheel]利用Zigent框架编写智能体-1
qq_41776136的博客
01-24 961
Zigent 是一个多智能体框架，旨在简化和优化智能体的开发与部署。Zigent 是由 自塾（Zishu.co） 团队开发的一个开源项目。自塾在 2024 年推出了多个开源项目，其中包括 wow-agent，而 Zigent 是 wow-agent 项目的一部分，用于搭建 AI Agent 系统。Zigent 是一个基于 Agentlite 框架改进的智能代理开发框架。Agentlite 最初由 Salesforce AI Research 团队开发，是一个强大的 Agent 开发框架。
DeepSeek+扣子：10分钟搭建一个智能体
weixin_72959097的博客
02-28 3757
最后呢，会给大家一个小福利，课程视频中的所有素材，有搭建AI开发环境资料包，还有学习计划表，几十上百G素材、电子书和课件等等，只要你能想到的素材，我这里几乎都有。老师，这个地方我不会啊。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。点击保存之后，公众号上的消息回复就是智能体工作的结果，当然如果智能体可以访问知识库，则当前的回答会根据问题产生专业的回答了。
大型语言模型的中毒攻击的系统评价
最新发布
hao_wujing的专栏
06-11 1018
大家读完觉得有帮助记得及时关注和点赞！！！随着预训练大型语言模型 （LLM） 及其训练数据集的广泛使用，人们对与其使用相关的安全风险的担忧显著增加。 这些安全风险之一是 LLM 中毒攻击的威胁，攻击者修改 LLM 训练过程的某些部分，导致 LLM 以恶意方式运行。作为一个新兴的研究领域，当前 LLM 中毒攻击的框架和术语源自早期的分类中毒文献，并未完全适应生成式 LLM 设置。我们对已发布的 LLM 中毒攻击进行了系统评价，以阐明安全影响并解决文献中术语的不一致问题。我们提出了一个全面的中毒威胁模型，适用于
Embedding词嵌入层的文本向量化原理【NLP入门详解】
m0_60610428的博客
06-10 1057
本文深入讲解了 NLP 中词嵌入（Embedding）层的原理与应用，适合初学者理解文本向量化的全过程。文章从分词与词ID映射讲起，阐述词嵌入层如何通过词向量矩阵将离散的词ID转化为连续的语义向量。接着分析了词向量的两种来源：随机初始化与加载预训练词向量（如 Word2Vec、GloVe），并说明了它们各自的适用场景与优势。通过示例代码与图示，帮助读者掌握词嵌入的实际使用方式，并指出其局限与进阶方法，如动态词向量（BERT）与子词建模（FastText）。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值