本文介绍3种智能体框架：Agent GPT、AgentTuning、LangChain-Agent。

（四） ：Agent GPT

2023.04发布

链接：LLM之Agent（四）| AgentGPT：一个在浏览器运行的Agent

项目链接：https://github.com/reworkd/AgentGPT

简介：用户只需要为Agent指定一个名称和目标，就可以在浏览器中链接大型语言模型（如GPT-4）来创建和部署Agent平台。

内容：给出了安装和效果测试

补充：目前agentGPT仅支持chatgpt模型，暂时不支持本地llm模型，不过可以参考代码进行修改，实现添加本地模型的调用接口。

（五） ：AgentTuning

2023.10发布

链接：LLM之Agent（五）| AgentTuning：清华大学与智谱AI提出AgentTuning提高大语言模型Agent能力

项目链接：https://github.com/THUDM/AgentTuning

简介：AgentTuning是一种简单而通用的方法，既可以增强LLM的Agent能力，有可以同时保持其通用LLM能力

内容：

（1） AgentTuning的具体实现：首先构造一个包含高质量交互轨迹的轻量级指令调优数据集AgentInstruction，然后采用混合指令微调策略将AgentInstruction与来自通用领域的开源指令相结合。AgentTuning对Llama 2系列模型进行指令微调产生AgentLM。

（2） AgentInstruction数据集构建

a) 收集Agent任务的指令比较困难，因为涉及Agent在复杂环境中的交互轨迹

b) 数据集构建有三个主要阶段：指令构建、轨迹交互和轨迹过滤。整个过程使用GPT-3.5（GPT-3.5-turbo-0613）和GPT4（GPT-4-0613）实现完全自动化，使该方法能够轻松扩展到新的Agent任务。

i. 指令构建：基于Self-Instruct构建；

ii. 轨迹交互：基于CoT、ReAct；

iii. 轨迹过滤：每个轨迹都有一个奖励r，基于奖励r自动选择高质量的轨迹

（3） 指令微调：agent任务数据和通用数据混合训练

（六）：LangChain中的Agent

链接：LLM之LangChain（二）| LangChain中的Agent

项目链接：无

内容：介绍了LangChain中的Agent代理类型

代理类型：

1） Zero-shot ReAct

2） Conversational ReAct

3） ReAct Docstore

4） Self-ask with Search

结尾

亲爱的读者朋友：感谢您在繁忙中驻足阅读本期内容！您的到来是对我们最大的支持❤️

正如古语所言："当局者迷，旁观者清"。您独到的见解与客观评价，恰似一盏明灯💡，能帮助我们照亮内容盲区，让未来的创作更加贴近您的需求。

若此文给您带来启发或收获，不妨通过以下方式为彼此搭建一座桥梁： ✨ 点击右上角【点赞】图标，让好内容被更多人看见 ✨ 滑动屏幕【收藏】本篇，便于随时查阅回味 ✨ 在评论区留下您的真知灼见，让我们共同碰撞思维的火花

我始终秉持匠心精神，以键盘为犁铧深耕知识沃土💻，用每一次敲击传递专业价值，不断优化内容呈现形式，力求为您打造沉浸式的阅读盛宴📚。

有任何疑问或建议？评论区就是我们的连心桥！您的每一条留言我都将认真研读，并在24小时内回复解答📝。

愿我们携手同行，在知识的雨林中茁壮成长🌳，共享思想绽放的甘甜果实。下期相遇时，期待看到您智慧的评论与闪亮的点赞身影✨！

万分感谢🙏🙏您的点赞👍👍、收藏⭐🌟、评论💬🗯️、关注❤️💚～

---

自我介绍：一线互联网大厂资深算法研发（工作6年+），4年以上招聘面试官经验（一二面面试官，面试候选人400+），深谙岗位专业知识、技能雷达图，已累计辅导15+求职者顺利入职大中型互联网公司。熟练掌握大模型、NLP、搜索、推荐、数据挖掘算法和优化，提供面试辅导、专业知识入门到进阶辅导等定制化需求等服务，助力您顺利完成学习和求职之旅（有需要者可私信联系） 

友友们，自己的知乎账号为“快乐星球”，定期更新技术文章，敬请关注！