一、背景知识

LLM的一些缺点

1.会产生幻觉。

2.结果并不总是真实的。

3.对时事的了解有限或一无所知。

4.很难应对复杂的计算。

解决方式：加上外部工具

•Google搜索：获取最新信息

•Python REPL：执行代码

•Wolfram：进行复杂的计算

•外部API：获取特定信息

大模型 + 插件 + 执行流程 = Agent

二、Agent框架

LLM-based Agent 框架包含三个组成部分：控制端（Brain）、感知端（Perception）和行动端 （Action）。

1、控制端：Brain

自然语言交互：高质量文本生成 和 言外之意的理解（chatgpt，chatglm ，llama）

知识：基于大批量语料训练的 LLMs，拥有了存储海量知识（Knowledge）的能力。除了语言知识以外， 常识知识和专业技能知识都是 LLM-based Agents 的重要组成部分。（Langchain）

记忆力：长期记忆vs短期记忆。

• 扩充记忆的方法扩展 Backbone 架构的长度限制：针对 Transformers 固有的序列长度限制问题进行改进。
• 总结记忆（Summarizing）：对记忆进行摘要总结，增强代理从记忆中提取关键细节的能力。
• 压缩记忆（Compressing）：通过使用向量或适当的数据结构对记忆进行压缩，可以提高记忆检索效率 特朗普时期，阿里巴巴的CTO是谁？

推理 & 规划：将复杂任务分解为更易于管理的子任务。在制定计划后，可以进行反思并评估其优劣。

迁移性 & 泛化性：

• 对未知任务的泛化
• 情景学习（In-context Learning），见人说人话，见鬼说鬼话
• 持续学习

2、感知端：大模型行的耳朵和眼睛

文本输入

视觉输入：图片->文本 图片->编码

听觉输入

其他输入

3、行动端：Action 大模型的手和脚

文本输出：LLMs 最基础的能力

计算微积分，计算泛函，

工具使用：尽管 LLMs 拥有出色的知识储备和专业能力，但在面对具体问题时，也可能会出现鲁棒 性问题、幻觉等一系列挑战。与此同时，工具作为使用者能力的扩展，可以在专业性、事实性、可 解释性等方面提供帮助。例如，可以通过使用计算器来计算数学问题、使用搜索引擎来搜寻实时信 息。

其他模型：调用语音生成、图像生成等专家模型，来获得多模态的行动方式。

三、另一种Agent架构

人设+激励+问题拆解+行动能力

四、常见的Agent实现

1、使用专业工具

用大模型理解任务，然后调用专业工具解决

大模型：语言理解力强，缺点：模型出现幻觉，需要精心设计prompt，需要依赖外界工具 Agent

大模型+各式各样的工具辅助

外界专业工具

2、辅助记忆力

• 文档存储规章制度
• 根据问题检索文档
• 问题+相关文档输入大模型

常用在垂直领域搭建大模型

3、各种外部工具辅助

两种工具类型

• 辅助输入：辅助记忆，辅助实时信息
• 辅助输出：结果通过工具生成

通过外挂使大模型具备实时性和解决复杂问题的能力

4、提示词工程 Prompt

核心仍然是大模型的理解能力，不同模型有对应不同的提示词

（1）AutoGPT

Prompt提示词包括：

• 限制和资源
• 工具
• 性能评估
• 返回格式

（2）BabyAGI

• 把复杂的任务通过大模型分解成子任务
• 大模型多次执行子任务
• 最终得到结果

我想泡茶，应该怎么操作？

• 第一次大模型的结果：输入：我想泡茶，应该怎么操作？回答：需要做如下几步： ①.烧开水 ②.把茶叶放到杯子里 ③.把开水倒进杯子里
• 第二次大模型的结果：输入：我要烧开水 回答：把凉水放进水壶， 接通电源
• 第三次大模型行的结果： 输入：把茶叶放进杯子里 回答：从茶叶罐取得茶叶。

任务太复杂时，可以用这种方式解决，核心难点是设计这个流程。

5、HuggingGPT

任务：生成一个小女孩读书的图片，她的体态和上述图片一 样。

解决过程：

• 建模体态：图片输入体态控制模型
• 体态到图片：输入文本为A reading girl，资源为体态
• 目标检测：将小女孩框出来，图片到文本
• 语音播报：文本转语音

过程分析：

• 任务的分解： 把复杂任务按顺序进行分解
• 调用其他模型： 体态控制模型、体态生成图片模型、目标检测模型、语音播报模型 ……

缺点：链路过长，如果某一个环节出现了问题，后续都会出问题。

6、LLAMAIndex

辅助模型的记忆能力

• 列表索引：关键词检索。
• 向量存储索引：向量检索。
• 树索引：把数据和知识以不同的结构存储起来，然后通过不同检索方式获取知识。
• 知识图谱索引：在一组文档上提取形式为（主语、谓语、宾语）的知识三元组来构建索引。

7、思维链

（1）one-shot：例子（问题+答案）+ 类似的问题让LLM回答

只告诉了答案，没有讲怎么算的答案，因此，难以泛化到复杂问题。

（2）COT：例子（问题+计算过程和答案）+ 类似的问题让LLM回答

给LLM拆解计算过程，引导它一步步计算。

（3）COT-SC：LLM输出具备随机性，选出现结果最多的作为答案，是一种投票机制。

可以一个模型问多次，输出出现次数最多的结果。

也可以问不同的模型多次，输出出现次数最多的结果。

（4）TOT：具备搜索、评估、回溯的能力。

24点游戏：让大模型对树进行递归和剪枝运算。

五、Agent总结

1、给大模型加外挂

（1）外挂辅助输入（今天北京的天气如何） 外部调用日历：2023-10-17

（2）外挂输出：日期：2023-10-17，目标：天气，调用工具：气象接口

2、思维链条

把复杂的问题进行拆解，不指望大模型一次回答出来，多调用几次大模型，解决复杂问题。

3、prompt 设计模式

CoT+prompt：给出指令，同时也给出执行任务过程的拆解或者样例。

（1）“自我审视”，提醒模型在产出结果之前，先自我审视一下，看看是否有更好的方案。也可以拿到结果后再调用一下模型强制审视一下。比如 AutoGPT 里的 “Constructively self-criticize your big-picture behavior constantly”。

（2）分而治之，越是具体的context 和目标，模型往往完成得越好。所以把任务拆细再来应用模型，往往比让它一次性把整个任务做完效果要好。

（3）先计划，后执行。BabyAGI，HuggingGPT 和 Generative Agents 都应用了这个模式。也可以扩展这个模式，例如在计划阶段让模型主动来提出问题，澄清目标，或者给出一些可能的方案，再由人工 review 来进行确认或者给出反馈，减少目标偏离的可能。

（4）记忆系统，包括短期记忆和长期记忆的存储、加工和提取等。这个模式同样在几乎所有的 agent 项目里都有应用，也是目前能体现一些模型的实时学习能力的方案。

六、Agent的作用

如果说大模型是电池，那么agent就是一辆电动车。

大模型是核心能力，Agent就是最终交付的产品。

最终产品 Agent的缺点：

（1）依赖大模型的核心能力，大模型本身够强才行。

（2）链路过长，某一环节出错，前功尽弃。（用多次调用选出现最多的结果规避风险）

（3）多次调用模型，效率不高。

（4）迁移能力弱，换模型需要重新写提示词。

（5）能力强弱，取决于写提示词的水平。

七、Agent的未来展望

大模型能力是有上限的

端到端虽然理想，但是复杂问题很难解决

Agent这种拆解形式，会更加流行