摘要：本文探讨了高自主智能体的设计模式，重点介绍了规划工作流、代码执行和多智能体系统。规划模式通过LLM自主生成执行计划，提高系统灵活性但存在不可控风险；代码执行模式让LLM直接编写代码完成任务，性能更优但需考虑安全性；多智能体系统将复杂任务分解为子任务，采用线性、层级或全连接等通信模式，具有模块化优势但复杂度较高。文章还介绍了smolagents框架，强调"代码即行动"理念，

对于我们开发者而言，在开发Agent工作流时，主要精力通常集中在以下两项活动中，并不断来回切换：构建： 编写软件和代码来改进系统。分析： 决定下一步将构建精力集中在哪里的过程，其重要性与构建相当。而一个Agent系统从初始原型到成熟，分析工作的严谨性也随之提高，通常经历以下迭代阶段阶段描述主要活动1. 快速原型快速构建一个端到端系统（所谓的“先做个垃圾出来”）。分析： 手动检查最终输出，通读追踪

工具对于大模型来说就是函数，就想人类的工具是锤子、钳子和扳手等。大模型拥有这些工具的使用权限后，能突破自身训练数据和能力的限制，就像人类实用工具能完成徒手无法做到的事情一样。同时大模型拥有自主决策权，它不再是被动地根据内部知识库生成答案，而是能主动判断：在当前情境下，是否需要、以及应该调用哪个工具来完成任务。1. 1 简单工具执行流程 (Simple Tool Execution)例子：工具使用的

不是魔法，而是工程实践： 它不能保证模型每次都100%正确，但。

智能体AI工作流是一种基于大型语言模型的应用流程，它通过执行多个步骤来完成一个复杂任务。它与“零样本”工作流的核心区别在于其迭代性和分解性。注：“非智能体”工作流指的是用户通过一个单一提示（prompt），要求大型语言模型（LLM）一次性完成整个任务，这种工作流被称为“零样本”（zero-shot）工作流。An agentic Al workflow：指基于大语言模型（LLM）的应用程序执行多个步

深度学习技巧之Early Stopping（早停法） | 数据学习者官方网站(Datalearner) 当我们训练深度学习神经网络的时候通常希望能获得最好的泛化性能（generalization performance，即可以很好地拟合数据）。但是所有的标准深度学习神经网络结构如全连接多层感知机都很容易过拟合：当网络在训练集上表现越来越好，错误率越来越低的时候，实际上在某一刻，它在测试集的表现已经

计算机类学术论文 28个常见出版社一般写法（参考文献用）

6) Triple Classification: Triple classification is to determinewhether facts are correct in testing data, which is typicallyregarded as a binary classification problem. The decision ruleis based on th

西瓜书课后题

深度学习技巧之Early Stopping（早停法） | 数据学习者官方网站(Datalearner) 当我们训练深度学习神经网络的时候通常希望能获得最好的泛化性能（generalization performance，即可以很好地拟合数据）。但是所有的标准深度学习神经网络结构如全连接多层感知机都很容易过拟合：当网络在训练集上表现越来越好，错误率越来越低的时候，实际上在某一刻，它在测试集的表现已经