logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

从 0 到 1 搭建 agent:小白也能看懂的框架指南

本文介绍了基于扣子平台的智能体(agent)开发入门指南。文章首先阐述了agent的应用场景,包括在微信公众号、微信客服消息及App中的集成使用方式。随后详细解析了agent的核心组件:模型(LLM)作为核心大脑,插件工具扩展功能,知识库(RAG技术)提供最新信息存储,变量用于动态信息处理,以及工作流实现复杂任务自动化。文章建议新手从简易bot入手,逐步添加插件、知识库等功能,最终构建复杂agen

文章图片
#人工智能#学习
从 0 到 1 搭建 agent:小白也能看懂的框架指南

本文介绍了基于扣子平台的智能体(agent)开发入门指南。文章首先阐述了agent的应用场景,包括在微信公众号、微信客服消息及App中的集成使用方式。随后详细解析了agent的核心组件:模型(LLM)作为核心大脑,插件工具扩展功能,知识库(RAG技术)提供最新信息存储,变量用于动态信息处理,以及工作流实现复杂任务自动化。文章建议新手从简易bot入手,逐步添加插件、知识库等功能,最终构建复杂agen

文章图片
#人工智能#学习
大模型人工智能Agent到底是什么,一文搞懂智能体相关概念及原理

AI Agent:智能助手的未来 AI Agent(智能体)是基于大语言模型(LLM)的智能系统,具备自主执行任务的能力,如规划旅行、订票、查询天气等。其核心包括LLM(思考)、记忆、规划、工具调用,形成感知-决策-行动的闭环。相比传统AI,AI Agent不仅能理解需求,还能主动执行,效率呈指数级提升。 应用场景广泛,涵盖客服、营销、金融、医疗等领域。未来市场规模预计达285亿美元,但面临数据安

文章图片
#人工智能#语言模型
AI Agent 主流的设计模式(ReAct,Reflection,LATS)其实没有很复杂。

文章摘要: AI Agent主流设计模式包括四种核心架构:1)ReAct(思考-行动-观察循环),通过交错式工具调用实现动态适应;2)Plan & Execute(计划与执行分离),牺牲灵活性换取效率;3)ReWOO(无观察推理),引入变量实现高效数据流;4)LLM Compiler(任务图并行),通过DAG实现并发执行。ReAct保留了强化学习优势但成本高,后三种模式通过不同方式优化执行

文章图片
#人工智能#设计模式#语言模型
AI Agent 主流的设计模式(ReAct,Reflection,LATS)其实没有很复杂。

文章摘要: AI Agent主流设计模式包括四种核心架构:1)ReAct(思考-行动-观察循环),通过交错式工具调用实现动态适应;2)Plan & Execute(计划与执行分离),牺牲灵活性换取效率;3)ReWOO(无观察推理),引入变量实现高效数据流;4)LLM Compiler(任务图并行),通过DAG实现并发执行。ReAct保留了强化学习优势但成本高,后三种模式通过不同方式优化执行

文章图片
#人工智能#设计模式#语言模型
一图看懂传统 RAG 与 Agentic RAG 的实战差异

本文对比分析了传统RAG(检索增强生成)与新兴的Agentic RAG(智能体式RAG)技术。传统RAG采用线性"检索-生成"流程,结构简单但处理复杂查询能力有限。Agentic RAG引入智能体概念,通过查询重写、工具选择、循环迭代等机制,显著提升了系统的推理能力、准确性和灵活性。文章详细阐述了两者的工作流程和特点差异,指出Agentic RAG代表了RAG技术的发展方向,能

文章图片
#数据库#人工智能#语言模型 +1
一图看懂传统 RAG 与 Agentic RAG 的实战差异

本文对比分析了传统RAG(检索增强生成)与新兴的Agentic RAG(智能体式RAG)技术。传统RAG采用线性"检索-生成"流程,结构简单但处理复杂查询能力有限。Agentic RAG引入智能体概念,通过查询重写、工具选择、循环迭代等机制,显著提升了系统的推理能力、准确性和灵活性。文章详细阐述了两者的工作流程和特点差异,指出Agentic RAG代表了RAG技术的发展方向,能

文章图片
#数据库#人工智能#语言模型 +1
Meta如何给RAG做Context Engineering,让模型上下文增加16倍

最近一段时间,Context Engineering(上下文工程)的热度已无需多言,而 Meta 超级智能实验室发布的首篇论文,便聚焦于该领域的核心议题——模型上下文智能压缩,展开了深度研究。相信在开发 RAG与 Agent时,上下文太长导致输出效果崩掉,几乎做AI 应用人的家常便饭。

文章图片
#人工智能#语言模型#RAG
Meta如何给RAG做Context Engineering,让模型上下文增加16倍

最近一段时间,Context Engineering(上下文工程)的热度已无需多言,而 Meta 超级智能实验室发布的首篇论文,便聚焦于该领域的核心议题——模型上下文智能压缩,展开了深度研究。相信在开发 RAG与 Agent时,上下文太长导致输出效果崩掉,几乎做AI 应用人的家常便饭。

文章图片
#人工智能#语言模型#RAG
一文读懂上下文工程:AI如何化身“记忆大师”?

摘要: 上下文工程是优化大语言模型(LLM)性能的关键技术,通过管理指令、知识和操作三大上下文类别,提升AI的任务执行能力。与提示工程聚焦单次输入优化不同,上下文工程构建动态信息网络,结合历史数据、用户特征等实现持续理解。其核心策略包括写入(存储临时/长期记忆)、选择(筛选相关信息)、压缩(精简内容)和隔离(防止干扰),从而高效利用有限的上下文窗口。随着AI应用复杂化,上下文工程将成为智能系统设计

文章图片
#人工智能#学习
    共 158 条
  • 1
  • 2
  • 3
  • 16
  • 请选择