服装网站建设中期目标慧聪网郭凡生

服装网站建设中期目标,慧聪网郭凡生,无锡网站制作,wordpress允许作者上传媒体文章详细介绍了基于大模型的智能体React框架实现方案#xff0c;从提示词工程到多智能体协作的演进。作者团队开发了饿了么RAG角色扮演平台和小e机器人#xff0c;采用层级指挥模式实现React框架#xff0c;分享了技术选型、系统架构设计和核心代码实现#xf…文章详细介绍了基于大模型的智能体React框架实现方案从提示词工程到多智能体协作的演进。作者团队开发了饿了么RAG角色扮演平台和小e机器人采用层级指挥模式实现React框架分享了技术选型、系统架构设计和核心代码实现强调了上下文管理的重要性为复杂场景提供更灵活的AI解决方案。背景基于大模型的领域场景开发说到底无非是借助基座模型对语义的理解推理能力将通用AI变为专有AI工具的过程。但仅仅只做模型调用来实现复杂类需求对生产力的提升并没有太大帮助。因此在围绕提升研发生产力的过程从大模型问世到现在卷出了各种大模型工程规范。从最早的提示词工程到RAG再到流程编排模式每个阶段无疑都是对研发生产力的不断提升。当然我们团队也经历了这些阶段我们最先基于饿了么钉钉文档开发了一套完备的RAG角色扮演平台此后又并行推出了拥有三十多项大模型指令的饿了么一键办事机器人——小e和集成流程编排到平台能力中为适配多端透出和支持丰富渲染开发了问答助手分身及问答卡片搭建功能。感兴趣可以在文章最后介绍中体验。至此也基本能满足大多数AI需求场景的低代码搭建。但随着多智能体架构对复杂场景的支持越来越灵活近期我们也在设计架构升级。参考了一些主流平台中工具与agent间的分发及调用针对我们平台当前的用户体量及后续支撑的一些场景分析层级指挥和自由协作两种模式的利弊选用层级指挥模式作为React框架。初步实现了单智能体对工具调用的反思规划后边迭代利用此框架再将智能体抽象为工具调用实现多智能体间的相互协作。先上结果1.对用户提问自主规划比流程编排模式更加灵活。2.单智能体更丰富的工具体系自主选择工具调用摆脱传统prompt工程参数解析、意图识别等coding或节点配置过程。ToolCallsMCP实现React模式什么是React对于React大家都有自己的理解。本文主要介绍我们是如何实现React框架关于智能体React模式简单仅做个人简单的一些理解。1.首先LLM需要不断和环境作出反馈和判断制定下一步的执行策略。这里的环境即工具列表、对话上下文、一些系统变量。2.上图可以看出核心还是接收反馈后采用什么方式决策以及和环境之间通信的上下文如何管理。因此关于决策方式和上下文管理大家都卷出了各种玩法决策方式1.类manuas方式使用PlanningAgent负责规划Controller Agent负责监督Planning执行情况StepAgent负责打标。2.OpenAI提出的显式引导3.Planning As Tool——将思考规划作为一个单独的工具告诉大模型有这样一种工具且入参定义为思考、行动、规划借助工具入参来引导大模型思考规划。上下文管理这个可能又涉及到一些比较复杂的上下文通信和动态压缩等本文也不做介绍后续也是我们重点升级的方向好的上下文通信带来的核心收益有两方面每个agent拥有更丰富的背景内容产出质量更高 极大节省token用tooCalls的方式很烧tokenPlanning As Tool 方案推演1.调用大模型时注入系统提示词用户提问工具列表包含思考规划工具。2.得到大模型回答出需要的工具是什么以及入参是什么3.第一步回答出需要调用的工具是思考工具借助思考工具定义的入参让大模型给到思考内容、规划内容实际该方法只是一个空壳然后拼接大模型的回答和工具调用的结果思考规划工具的调用结果手动mock为success。4.得到回答需要调用天气查询工具入参也给出来了5.重复2-4的过程直至大模型返回的tool_calls为空content不为空时结束最终结果如下实现架构技术选型技术选型上我最终使用的是elemMcpClient多平台LLM调用客户端。那为什么这样选择不直接使用springAI已经封装好的工具调用或者使用原生McpSdk还要自己手撸呢1.springAI本身集成了上下文管理、工具调用等能力理论上直接用来做模型调用是很方便但是a.中间过程交互不够友好对于个人开发者来说springAI确实比较方便绑定一堆工具、配置好模型地址和ak输入一个提问直接能返回意图分类后工具的执行结果但是我们是平台开发者我们需要将中间过程做封装交互展示。b.springAI虽然可以设置中断只返回该调用哪个工具把工具的执行交给开发者但这里也有点坑有些情况不能返回选择了哪个工具而且那这样的话springAi的价值也大打折扣仅被当成一个LLM调用的客户端…c.很多国内模型其实springAI的openAiApi支持的不够灵活可能是我自己原因没有找到springAi里面qwen3的enableThinkingfalse在哪配置。d.springAI集成的原生McpSdk本身也有坑比如集团内发布的很多TppMcp或者AoneMcp都调不通原因在下面分析。2.原生MCPSdk作为工具调用时不支持后缀带很多参数的MCP服务如Aone开放平台发布的MCP为了鉴权带有鉴权参数。基于上述背景和试错过程最终选择了ElemeMcpSdk 包含WhaleSdk在内的主流平台LLM客户端。系统架构设计规划类agent调度框架如下图所示1.agent分类方面此前我们已经有了流程编排类型、其他平台api接入类型、RAG角色扮演类型。此次扩展出一种规划类型agent。2.在环境方面我们针对长期记忆和短期记忆分别进行持久化。a.长期记忆主要指多轮对话补充一次会话过程中的背景信息b.短期记忆是每个智能体或工具给出的回答用于1.后续实现单agent间的通信 2. 记录思考次数以便做异常中断c.agent绑定的工具列表持久化其中有一个作用是gpt4做toolCalls时仅支持方面名是英文的方法因此还要利用这块的存储做中文-英文的缓存3.规划过程a.领域抽象时设计了五个Node来完成核心流程b.startNode用于组装系统提示词、RAG检索到的片段、用户提示词、历史对话、用户提问、工具列表c.startNode节点中调用LLM收到反馈d.ProcessNode节点负责循环过程的执行需要获取LLM返回的参数去拼接LLM的message内容、以及循环中发起对工具列表的调用e.ToolManagerNode 负责接收需要调用的方法名及入参根据方法名在cache中查找对应的MCP的sseUrl利用mcp客户端调用工具获取结果添加到LLM的message中f.StepNode负责对每一步结果进行打标并存储到短期记忆中g.SendNode 负责接收来自processNode的数据并进行封装如背景中的各个步骤执行效果需要用和前端约定好的标签封装过程数据。然后对封装好的数据利用Ssemitter进行发送4.LLM客户端封装a.针对LLM调用主要是根据不同平台对模型的支持程度封装了三个LLM-ToolCalls的客户端b.whaleSdk、Idealab-http调用、springAI框架调用c.根据用户配置的模型id来适配找出一种客户端做模型调用整个实现流程图如下与上述描述基本一致核心代码这部分主要对实现的相关代码进行介绍。核心类及属性流转对象startNode发起调用流程规划运行节点工具节点获取工具列表只在startNode中调用。工具节点执行工具LLM客户端whale为例利用工厂模式还扩展了springAI、Idealab类型客户端。核心类基本如上图所述还有其他关于前后端约定的展示样式封装的工具类不做展开介绍。多智能体升级方案单智能体本身就是为了解决足够复杂的任务为什么还需要多智能体这里给一些个人的看法1.烧token每次中心agent对模型的请求完全是无脑拼接如果拆分成多智能体中心agent对模型的发起只用某个agent返回的结果即可。2.单智能体职责不够清晰产出的交付物不如 多智能体的“专业的事交给专业的人”上述方案我们已经实现了单智能体对工具的React框架但是多智能体的协同还未做升级参考了一些资料多智能体框架实现基本分为两类。一种是类似React的层级调度模式由中心agent负责调度需要执行的智能体我们实现也比较简单只需要在现有实现框架基础上将agent抽象为工具即可。工具执行时根据工具类型再实现调用方法。另一种是自由协作模式针对一个问题每个agent分别去处理这个问题然后执行结果发送给下一个agent继续判断它能否解决这个问题以及解决了哪些部分一轮结束后由中心agent去分发任务开始执行下一轮这时候每个agent由了上一轮的上下文产出效果更聚焦于各自职责。直到中心agent判断可以产出时进行汇总。两种方案如下图所示考虑后续我们承接的业务场景暂时不需要很发散的需求采用层级指挥模式进行多智能体协作设计。未来迭代重点通过手撸React框架以及对多智能体协作的调研发现了一些问题其实本文上述中在每个章节都有提到上下文管理。如果无脑做ToolCalls调用带来的问题有1.烧token2.无关信息可能会导致每个agent调用时产生幻觉如果agent获取到的上下文不够或者确实带来的问题有1.产出质量较低导致指挥者可能发生多次无用的调用指挥2.agent并行执行时agent之间的上下文通信能力不足类似于神经网络中陷入局部最优解因此在多智能体升级完以后我们也会考虑设计上下文动态压缩、合理使用文件系统等工作。查询了一些资料发现有些资料中的观点与我提到的基本类似可以参阅总结本文主要对多平台LLM客户端MCP 实现智能体React框架的方案进行了详细阐述对核心代码进行了剖析以及对目前业界多智能体设计方案的进行了调研简单介绍。希望能对相关平台开发者有借鉴意义对个人开发者其实有更多的方案进行体验没有必要进行手撸框架。​最后我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我整理出这套 AI 大模型突围资料包✅AI大模型学习路线图✅Agent行业报告✅100集大模型视频教程✅大模型书籍PDF✅DeepSeek教程✅AI产品经理入门资料完整的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】​​为什么说现在普通人就业/升职加薪的首选是AI大模型人工智能技术的爆发式增长正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议到全国两会关于AI产业发展的政策聚焦再到招聘会上排起的长队AI的热度已从技术领域渗透到就业市场的每一个角落。智联招聘的最新数据给出了最直观的印证2025年2月AI领域求职人数同比增幅突破200%远超其他行业平均水平整个人工智能行业的求职增速达到33.4%位居各行业榜首其中人工智能工程师岗位的求职热度更是飙升69.6%。AI产业的快速扩张也让人才供需矛盾愈发突出。麦肯锡报告明确预测到2030年中国AI专业人才需求将达600万人人才缺口可能高达400万人这一缺口不仅存在于核心技术领域更蔓延至产业应用的各个环节。​​资料包有什么①从入门到精通的全套视频教程⑤⑥包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图还有视频解说全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤ 这些资料真的有用吗?这份资料由我和鲁为民博士共同整理鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。所有的视频教程由智泊AI老师录制且资料与智泊AI共享相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌构建起前沿课程智能实训精准就业的高效培养体系。课堂上不光教理论还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事‌​​​​如果说你是以下人群中的其中一类都可以来智泊AI学习人工智能找到高薪工作一次小小的“投资”换来的是终身受益应届毕业生‌无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型‌非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界‌。业务赋能 ‌突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型‌。获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】**​