AI Agent相关的设计图

智能体使用的三种方式

LLM Agent（大型语言模型代理）、少样本提示（Few-shot Prompting）和固定工作流（Workflow）是三种不同的方法，用于引导和优化大型语言模型（LLM）的行为和输出。它们的主要区别在于灵活性、复杂性和应用场景。

1. LLM Agent

• 定义：LLM Agent 是一个基于大型语言模型的智能代理，能够执行复杂的任务。它通常结合了多种工具和API，以完成特定的目标。LLM Agent 可以根据上下文动态调整其行为，并且能够处理多步骤的任务。

• 特点：

  • 动态性：能够根据输入和上下文动态调整策略。

  • 工具集成：可以调用外部工具（如搜索引擎、计算器、数据库等）来完成任务。

  • 多步骤任务：能够处理需要多个步骤或决策的任务。

• 应用场景：适用于需要复杂决策和动态调整的任务，如客户支持、数据分析、自动化工作流等。

2. 少样本提示（Few-shot Prompting）

• 定义：少样本提示是一种通过提供少量示例来引导模型生成期望输出的技术。这些示例通常包含输入和对应的输出，模型通过学习这些示例来理解任务的要求。

• 特点：

  • 示例驱动：依赖少量的示例来引导模型。

  • 灵活性：适用于多种任务，但需要精心设计提示。

  • 无需额外工具：主要依赖模型本身的能力，不需要集成外部工具。

• 应用场景：适用于简单的任务或需要快速原型设计的场景，如文本生成、分类、翻译等。

3. 固定工作流（Workflow）

• 定义：固定工作流是一种预定义的任务执行流程，通常包括一系列固定的步骤和规则。工作流可以是手动的或自动的，但一旦定义，通常不会根据输入动态调整。

• 特点：

  • 预定义步骤：任务执行的步骤和规则是预先定义好的。

  • 静态性：工作流的执行路径是固定的，不随输入变化。

  • 可预测性：由于步骤固定，输出通常是可预测的。

• 应用场景：适用于流程化、标准化任务，如数据处理流水线、审批流程、自动化测试等。

 Agent 智能体的控制逻辑

通用AI AGENT架构设计

较为通用的AI AGENT架构设计概念示意图如下，可以帮助你理解其基本组成部分以及它们是如何交互的。

架构设计如下：

1. 感知层（Perception Layer）

   • 输入模块：负责收集来自外部环境的数据，这些数据可以来自于传感器、API接口、数据库等。

   • 数据处理模块：对收集到的数据进行预处理，如清洗、格式转换、特征提取等操作。

2. 决策层（Decision Layer）

   • 模型库：包含各种机器学习或深度学习模型，用于做出决策。这些模型可能包括但不限于监督学习、无监督学习、强化学习等类型。

   • 推理引擎：基于当前状态和目标，利用模型库中的模型进行推理，制定行动策略。

3. 执行层（Action Layer）

   • 行动计划模块：根据推理引擎的结果生成具体的行动计划。

   • 输出模块：将行动计划转化为实际的操作，比如控制机器人移动、发送网络请求、更新用户界面等。

4. 反馈环路（Feedback Loop）

   • 监控执行结果，并将其反馈给感知层，以便调整后续的行为。这个环节对于实现自适应和自我优化非常重要。

5. 用户交互层（User Interaction Layer）

   • 提供人机交互界面，允许用户输入指令或者查询AI AGENT的状态。

   • 可能包括语音识别、自然语言处理等技术，以增强用户体验。

6. 安全与隐私保护层（Security and Privacy Layer）

   • 确保整个系统在数据传输、存储和处理过程中的安全性，保护用户隐私。