网站如何改版鞍山前程无忧招聘网

网站如何改版,鞍山前程无忧招聘网,重庆网站查询,做网站然后推广简介 本文系统介绍AI Agent的五大架构类型#xff08;反应型、审议式、混合、神经符号式和认知式#xff09;及其特点#xff0c;深入探讨LangGraph中的多智能体系统、规划Agent和反思与批判模式等设计模式。通过代码示例和实际应用场景#xff0c;帮助开发者理解不同架构…简介本文系统介绍AI Agent的五大架构类型反应型、审议式、混合、神经符号式和认知式及其特点深入探讨LangGraph中的多智能体系统、规划Agent和反思与批判模式等设计模式。通过代码示例和实际应用场景帮助开发者理解不同架构的优缺点选择适合特定任务的Agent架构为构建高效智能体提供全面指导。一、引言智能体架构是定义AI agent组件如何组织和交互的蓝图使智能体能够感知环境、进行推理并采取行动。本质上它就像智能体的数字大脑——集成了“眼睛”传感器、“大脑”决策逻辑和“双手”执行器来处理信息和执行动作。选择合适的架构对于构建高效的AI agent至关重要。架构决定了agent的响应速度、处理复杂性的能力、学习适应性和资源需求。例如一个简单的基于反射的代理可能擅长实时反应但在长期规划方面表现不佳而一个深思熟虑的代理则可以处理复杂的目标但计算成本更高。了解这些权衡取舍有助于工程师将架构与应用领域相匹配从而实现最佳性能和可靠性。二、Agent 架构智能体架构大致可分为以下几类Reactive 反应型Deliberative 审议式Hybrid 混合Neural-Symbolic 神经符号Cognitive 认知的2.1 Reactive 架构最直接的 AI agent设计模式称为 ReAct 。这种设计模式 大型语言模型LLM 首先分析当前情况并确定下一步行动。然后该行动在环境中执行并生成观察结果作为反馈。LLM 处理该观察结果重新评估下一步行动选择另一个行动并重复此循环直到任务完成。2.1.1 用例ReAct架构非常适合需要瞬间决策且响应可预测、定义明确的领域。经典的例子包括机器人和游戏例如机器人吸尘器或无人机一旦传感器检测到障碍物就会自动避开又如电子游戏中的非玩家角色会对玩家的操作做出预先设定的即时反应例如敌方守卫一旦进入玩家视野就会立即攻击。在工业环境中简单的监控agent会在传感器超出范围时触发警报或关闭设备。这些agent在实时控制系统中表现出色但由于缺乏全局规划能力它们通常用于相对简单或限制严格的任务 在这些任务中所有情况的规则都可以预先定义。对于简单的任务可以使用纯代码轻松构建 React 设计模式而无需使用框架。首先我们需要一个大型语言模型作为智能体的大脑from dotenv import load_dotenv from openai import OpenAI _ load_dotenv() client OpenAI()然后我们可以将简单的代理构建成一个类以便返回我们的消息class Agent: def __init__(self, system): self.system system self.messages [] if self.system: self.messages.append({role: system, content: system}) def __call__(self, message): self.messages.append({role: user, content: message}) result self.execute() self.messages.append({role: assistant, content: result}) return result def execute(self): completion client.chat.completions.create( modelgpt-4o, temperature0, messagesself.messages) return completion.choices[0].message.content我们需要一个系统提示指示我们的agent使用另外两个工具完成任务一个用于数学计算另一个用于找出给定犬种的平均体重。import openai import re import httpx import os prompt You run in a loop of Thought, Action, PAUSE, Observation. At the end of the loop you output an Answer Use Thought to describe your thoughts about the question you have been asked. Use Action to run one of the actions available to you - then return PAUSE. Observation will be the result of running those actions. Your available actions are: calculate: e.g. calculate: 4 * 7 / 3 Runs a calculation and returns the number - uses Python so be sure to use floating point syntax if necessary average_dog_weight: e.g. average_dog_weight: Collie returns average weight of a dog when given the breed Example session: Question: How much does a Bulldog weigh? Thought: I should look the dogs weight using average_dog_weight Action: average_dog_weight: Bulldog PAUSE You will be called again with this: Observation: A Bulldog weights 51 lbs You then output: Answer: A bulldog weights 51 lbs .strip() def calculate(what): return eval(what) def average_dog_weight(name): if name in Scottish Terrier: return(Scottish Terriers average 20 lbs) elif name in Border Collie: return(a Border Collies average weight is 37 lbs) elif name in Toy Poodle: return(a toy poodles average weight is 7 lbs) else: return(An average dog weights 50 lbs) known_actions { calculate: calculate, average_dog_weight: average_dog_weight }prompt You run in a loop of Thought, Action, PAUSE, Observation. At the end of the loop you output an Answer Use Thought to describe your thoughts about the question you have been asked. Use Action to run one of the actions available to you - then return PAUSE. Observation will be the result of running those actions.现在我们可以通过循环分多个步骤运行agent程序abot Agent(prompt) def query(question, max_turns5): i 0 bot Agent(prompt) next_prompt question while i max_turns: i 1 result bot(next_prompt) print(result) actions [ action_re.match(a) for a in result.split(\n) if action_re.match(a) ] if actions: # There is an action to run action, action_input actions[0].groups() if action not in known_actions: raise Exception(Unknown action: {}: {}.format(action, action_input)) print( -- running {} {}.format(action, action_input)) observation known_actions[action](action_input) print(Observation:, observation) next_prompt Observation: {}.format(observation) else: return question I have 2 dogs, a border collie and a scottish terrier. \ What is their combined weight query(question)运行结果如下所示Thought: I need to find the average weight of a Border Collie and a Scottish Terrier, then add them together to get the combined weight. Action: average_dog_weight: Border Collie PAUSE -- running average_dog_weight Border Collie Observation: a Border Collies average weight is 37 lbs Action: average_dog_weight: Scottish Terrier PAUSE -- running average_dog_weight Scottish Terrier Observation: Scottish Terriers average 20 lbs Thought: Now that I have the average weights of both dogs, I can calculate their combined weight by adding them together. Action: calculate: 37 20 PAUSE -- running calculate 37 20 Observation: 57 Answer: The combined weight of a Border Collie and a Scottish Terrier is 57 lbst如上所示该agent使用两种不同的工具成功确定了Border Collies 和Scottish Terriers的平均体重然后将结果相加。2.1.2 优势与局限性ReAct架构的主要优势在于速度 。由于无需复杂的推理开销决策可以在恒定时间内做出这对于实时机器人或高频交易等毫秒级精度至关重要的领域来说非常理想。ReAct agent的设计和验证也相对简单因为它们的行为是由规则明确定义的。缺点是由于它们不会学习或计划因此它们的适应能力有限 它们无法应对不可预见的情况也无法解决需要按顺序采取行动才能达到目标的问题。它们也往往目光短浅只注重优化即时响应而忽略长远后果如果反应式机器人的规则缺乏策略逻辑它可能会在一个狭小的循环中无休止地徘徊。这些局限性促使人们开发出更先进的架构这些架构融合了内部状态和推理功能。研究表明不同的设计模式更适合不同的任务。与其从零开始构建这些架构我们可以利用现有的、经过充分测试的、针对特定问题量身定制的解决方案。例如 LangGraph 的文档中就提供了一系列多智能体架构。在本文中我们将探讨这些架构以及如何将它们应用于我们的用例。一直在更新更多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】2.2 Deliberative 架构Deliberative智能体是基于模型、目标驱动的智能体。与立即做出反应的ReAct智能体不同Deliberative智能体会提前思考 利用内部模型评估多种可能的行动方案并选择实现目标的最佳方案。Sense → Model → Plan → Act感知 → 模型 → 计划 → 行动感知 接收来自环境的新信息模型 更新内部世界模型例如符号状态、语义地图规划 制定可能的计划并模拟/评估其结果行动 执行最佳计划。这种方法就像国际象棋人工智能提前计划好几步棋而不是每一步都做出反应一样。示例伪代码 一个简化的deliberative代理循环受 BDI 原则启发可能如下所示# Pseudocode for a deliberative agent with goal-oriented planning initialize_state() while True: perceive_environment(state) options generate_options(state) # possible plans or actions best_option evaluate_options(options) # deliberation: select best plan commit_to_plan(best_option, state) # update intentions execute_next_action(best_option) if goal_achieved(state): break在这个循环中 generate_options 会根据当前状态和目标生成可能的操作或计划 evaluate_options 会进行推理或规划例如模拟结果或使用启发式方法来选择最佳计划然后智能体逐步执行操作并在每次执行后根据需要重新评估。这体现了深思熟虑的智能体如何考虑未来后果并优化长期目标。例如在路径规划智能体中 generate_options 可能会生成多条路径而 evaluate_options 会选择最短且安全的路径。2.3 混合架构混合agent架构结合了reactive和deliberative系统在动态环境中实现速度和智能的平衡。Reactive层对感觉输入做出即时反应例如避开障碍物Deliberative层使用内部模型执行目标驱动的规划例如路线规划。这些层级协同运作 通常并行运作以平衡快速反应与长期战略。该架构通常采用分层结构底部 Reactive本能反应中间部分可选 排序/协调顶部 Deliberative目标推理和计划协调机制 如监督者或优先级规则决定哪一层的输出优先。percept sense_environment() if is_urgent(percept): action reactive_module(percept) # Quick reflex else: update(world_model, percept) action deliberative_planner(world_model, current_goal) execute(action)2.4 Neural-Symbolic 架构神经符号或神经符号 架构将神经网络 用于从数据中学习与符号人工智能 用于基于规则的推理相结合使智能体能够感知复杂的环境并对其进行推理 。神经网络 擅长模式识别 例如图像、语音符号系统 擅长逻辑、推理和可解释性 综合目标 利用神经感知和符号理解做出智能、可解释的决策。主要有两种整合策略顺序式 神经模块处理原始输入例如检测物体符号模块对解释后的输出进行推理并行 神经模块和符号模块同时工作 决策模块将两者的输出融合在一起。伪代码示例percept get_sensor_data() nn_insights neural_module.predict(percept) # Perception (e.g., detect anomaly) sym_facts symbolic_module.update(percept) # Translate data to logical facts sym_conclusions symbolic_module.infer(sym_facts) # Apply domain knowledge decision policy_module.decide(nn_insights, sym_conclusions) execute(decision)2.5 Cognitive 架构认知架构是综合框架旨在通过将感知、记忆、推理和学习整合到一个统一的智能体系统中来模拟一般的人类智能。目标是构建能够像人类一样学习、规划、解决问题和适应环境的智能体。SOAR 架构20 世纪 80 年代开发用于一般智能行为工作记忆 保存当前情况生产记忆 存储“如果……那么……”规则采用通用子目标设定法 ——遇到困难时设定子目标。学习 采用“ 组块化 ”——将经验转化为新规则。应用案例人工智能飞行员、人形机器人、决策代理。ACT-R 架构源于认知心理学由专门的模块 例如视觉、运动、记忆组成每个模块都使用自己的缓冲区作为临时工作内存生产规则管理缓冲区之间的数据流结合符号推理和亚符号机制如记忆激活。共同特征模块化设计 感知模块、记忆模块、行动模块多内存系统 简化的认知循环percept perceive_environment() update_working_memory(percept) action cognitive_reasoner.decide(working_memory) execute(action)SOAR 和 ACT-R 等认知架构提供了一种整体智能模型整合了感知、记忆、决策和学习。它们不仅用于构建智能体还能帮助我们理解人类思维的运作方式。这些系统非常适合那些需要随着时间推移不断学习 、 处理各种任务并像人类一样进行推理的智能体。三、LangGraph 中的agent设计模式智能体架构和智能体设计模式密切相关但它们在AI agent开发中处于不同的抽象层次。智能体架构指的是定义智能体构建和运行方式的结构框架或蓝图。它关注核心组件及其组织方式——可以将其视为智能体的“骨架”。架构详细说明了智能体如何感知环境、处理信息、做出决策以及采取行动。架构通常更侧重于系统的构建方式 ——底层机制以及数据或控制的流动。智能体设计模式是更高层次的、可重用的策略或模板用于解决基于智能体的系统中的特定问题。它们不太关注智能体内部的具体细节而更多地关注如何以一种能够适应不同情境的方式引导行为或交互。你可以把它们想象成实现特定结果的“配方”。设计模式关注 “是什么” 和 “为什么” ——你希望agent展现出什么样的行为或能力以及为什么它在给定的场景中是有效的。LangGraph 将这些Agent架构归纳为以下三大类3.1 Multi-Agent 系统Network[1]: 使两个或多个agent能够协作完成任务Supervisor[2]: 使用 LLM 来协调任务并将其委派给各个agentHierarchical Teams[3]: 协调嵌套的agent团队来解决问题3.2 Planning AgentsPlan-and-Execute[4]: 实施一个基本的计划与执行代理Reasoning without Observation[5]: 通过将观察结果保存为变量来减少重新规划LLMCompiler[6]: 从规划器流式传输并立即执行 DAG 任务3.3 Reflection CritiqueBasic Reflection: 提示智能体反思并修改其输出Reflexion: 批判性地分析缺失和多余的细节以指导后续步骤Tree of Thoughts: 使用评分树搜索问题的候选解决方案Language Agent Tree Search: 利用反射和奖励机制驱动蒙特卡洛树搜索算法搜索多个代理Self-Discover Agent: 分析能够了解自身能力的智能体。下面我们来深入了解一下Agentic设计模式。四、Multi-agent 系统4.1 Multi-agent Network解决复杂任务的一种方法是采用分而治之的策略。利用路由机制可以将任务分配给专门负责该任务的代理。这种架构被称为多智能体网络架构。4.2 Multi-agent Supervisor这种架构与网络架构非常相似区别在于它使用一个主管Agent来协调不同的Agent而不是路由器。4.3 Hierarchical Agent Teams层级式团队架构源于这样一个理念“如果单个智能体不足以完成特定任务该怎么办” 在这种情况下不再是由一个主管智能体协调多个智能体而是由一个主管智能体协调多个由多个智能体组成的团队。五、Planning Agents5.1 Plan-and-execute在这种架构中首先智能体根据给定的任务顺序生成子任务。然后单任务专业化智能体解决这些子任务如果任务完成则将结果发送回规划智能体。规划智能体根据结果制定不同的计划。如果任务完成规划智能体会向用户发出响应。5.2 Reasoning without observation在 ReWOO 中Xu 等人提出了一种智能体该智能体集成了多步骤规划器和变量替换机制以优化工具的使用。这种方法与plan-and-execute架构非常相似。然而与传统模型不同的是ReWOO 架构在每个动作之后并不包含观察步骤。相反整个计划在生成之初就已制定完成并且保持不变不受任何后续观察的影响。规划智能体构建一个包含子任务的计划来解决该任务而worker智能体只需完成这些子任务然后响应用户。5.3 LLMCompilerLLMCompiler 是一种agent架构旨在通过在有向无环图 (DAG) 内执行预先加载的任务来加速agent任务的执行。它还通过减少对 LLM 的调用次数来节省冗余令牌的使用成本。以下是其计算图的概述它由 3 个主要部分组成Planner: 流式传输任务的 DAGTask Fetching Unit: 负责调度和执行可执行的任务Joiner: Responds to the user or triggers a second plan六、Reflection Critique6.1 Basic ReflectionReflection agents促使LLM反思其过往行为从而不断学习和改进。该架构包含两个agents生成器和评论者。最简单的例子是作者和评论者。作者根据用户请求撰写文本评论者审阅文本然后将评论反馈给作者。此循环持续进行直至达到预设的迭代次数。6.2 ReflexionShinn 等人提出的 Reflexion 架构旨在通过语言反馈和自我反思进行学习。该智能体会对其任务响应进行明确的批判性分析以生成更高质量的最终响应但代价是执行时间更长。与传统的反思架构不同Reflexion 智能体还包含工具执行功能。6.3 Tree of Thoughts由 Yao 等人提出的“思维树”ToT是一种通用的 LLM 代理搜索算法它结合了反思/评估和简单搜索在本例中是 BFS不过如果你愿意也可以应用 DFS 或其他算法。它包含三个主要步骤展开生成一个或多个问题的候选解决方案评分衡量回答的质量筛选保留前 K 个最佳候选者如果找不到解决方案或者解决方案质量不足则返回“展开”。6.4 Language Agent Tree SearchZhou 等人提出的Language Agent Tree Search (LATS)是一种通用的 LLM agent搜索算法它结合了反思/评估和搜索特别是蒙特卡洛树搜索与 ReACT、Reflexion 或 Tree of Thoughts 等类似技术相比能够实现更好的整体任务性能。它包含四个主要步骤Select: 根据步骤2的综合奖励选择最佳的下一步行动。要么做出响应如果找到解决方案或达到最大搜索深度要么继续搜索Expand and simulate: 选择 5 个“最佳”潜在行动并并行执行Reflect Evaluate: 观察这些行动的结果并根据反思以及可能的外部反馈对决策进行评分Backpropagate: 根据结果更新根轨迹的分数。6.5 Self-Discover AgentSelf-discover有助于大型语言模型 (LLM) 找到思考和解决棘手问题的最佳方法。首先它通过选择和改变基本推理步骤为每个问题找到一个独特的解决方案然后它利用这个计划逐步解决问题。这样LLM 使用不同的推理工具并根据问题进行调整从而获得比仅使用一种方法更有效的解决方案。自我发现法与其他规划方法不同之处在于它能自动为每个任务生成独特的推理策略。它的独特之处在于推理模块它使用基本的推理步骤并按特定顺序将它们组合在一起无需人工干预它能够自行制定这些策略无需人工标记任务适应任务它能找到解决每个问题的最佳方法就像人类制定计划一样可迁移性它所创建的推理策略可以被不同类型的语言模型所使用。简而言之自我发现的独特之处在于它结合了不同的推理方法无需具体的任务说明即可制定计划。七、结论在本篇博客中我们探讨了智能体架构的演变从传统的ReAct和审慎式模型到更先进的混合式、神经符号式和认知式系统。随后我们利用 LangGraph 将这些基础概念与现代实现相结合展示了强大的智能体设计模式例如规划、协作、反思和批判。随着我们不断构建日益智能和自主的系统理解和应用这些架构原则将是解锁可扩展、模块化和目标驱动型人工智能解决方案的关键。人工智能的未来不在于孤立的智能而在于协调一致、善于反思且目标明确的智能体共同协作解决复杂任务。八、如何系统的学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。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人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。一直在更新更多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】01.大模型风口已至月薪30K的AI岗正在批量诞生2025年大模型应用呈现爆发式增长根据工信部最新数据国内大模型相关岗位缺口达47万初级工程师平均薪资28K数据来源BOSS直聘报告70%企业存在能用模型不会调优的痛点真实案例某二本机械专业学员通过4个月系统学习成功拿到某AI医疗公司大模型优化岗offer薪资直接翻3倍02.大模型 AI 学习和面试资料1️⃣ 提示词工程把ChatGPT从玩具变成生产工具2️⃣ RAG系统让大模型精准输出行业知识3️⃣ 智能体开发用AutoGPT打造24小时数字员工熬了三个大夜整理的《AI进化工具包》送你✔️ 大厂内部LLM落地手册含58个真实案例✔️ 提示词设计模板库覆盖12大应用场景✔️ 私藏学习路径图0基础到项目实战仅需90天第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】