厦门医院网站建设企业查查天眼查询

厦门医院网站建设,企业查查天眼查询,如何创立个人网站,济南网站建设公司推荐一、前言 上一篇我们重点讲解基于LangGraph的商品定价智能体的整体搭建#xff0c;技术涵盖#xff1a;意图识别、工具抽取链式调用。 今天#xff0c;我们将更进一步#xff0c;来认识一下智能体内部运作的灵魂之地#xff0c;两个至关重要的概念#xff1a;上下文状态…一、前言上一篇我们重点讲解基于LangGraph的商品定价智能体的整体搭建技术涵盖意图识别、工具抽取链式调用。今天我们将更进一步来认识一下智能体内部运作的灵魂之地两个至关重要的概念上下文状态和长、短期记忆他们是如何让智能体拥有“记住你、理解你、随时间变化”的能力。今天我们将围绕以下三个核心脉络展开深度讲解Why当前智能体在处理复杂任务时遇到的核心问题。How引入解决问题的两大关键技术。Summary架构加载两大核心技术二、问题1核心问题在现实日常对话中通常我们会是这样提问“帮我看看这辆车大概值多少钱”而我们的系统需要知道关于车的以下几个状况哪一年的车行驶里程多少在哪个品牌是否有事故 / 改装这种情况下我们可能需要进行多轮的一个追问才能得到我们想知道的答案这个时候就需要**记忆**来辅助程序通过记忆来实现多轮次用户信息补充收集高价值信息比如2021年购买新车1万公里”宝马320以此多轮获取的信息加入提示词工程针对当前用户的问题给大模型提供更精准的信息使得模型回复也更精准。然而这个里面还有一个问题就是我们在拆解了问题之后LangGraph架构中有很多节点执行针对执行不同节点产生的结果就需要有一个**上下文工作台**来记录 每一个节点的状态变更执行日志都需要通知到下一个节点来实时更新执行结果让整个智能体链路的执行都能有迹可循。2上下文信息管理上下文信息管理可以简单理解为整个工作流中共享和维护的中央数据结构。LangGraph架构中的State是智能体的大脑信息存储物里单元。例如{ current_sku: 奔驰C200, city: 上海, mileage: 34300, pricing_mode: market, step: waiting_mileage }它会随着对话动态更新实现1. 能记住上一步做了什么2.能判断缺哪个参数3.能决定下一步走向这让多轮对话真正“像人一样”进行推理在系统的交互过程中我们也需要针对上游业务传递一些数据的时候上下文也能进行透传。在工作流执行期间如果我们想对某一步进行回滚、中断也必须通过State进行操作才能完成比如Human-in-the-loop指令消息等一系列的工作。3记忆解决消息填充通常情况下我们会把记忆分为**短期记忆、长期记忆。**但我觉得这样我们无法分清具体的业务含义。我更喜欢把短期记忆描述为**一个会话的多轮问答。**而长期记忆描述为跨对话持久化有价值的信息。在这里短期记忆我们要注意的是提示词携带的历史消息不能太多容易超过大模型限制的长度那就只能针对当前会话的历史消息做总结、压缩用最少的字概括当前会话的所有内容。 而长期记忆的规则需要针对不同的业务场景做定制化的开发但一般情况下我们基本都需要保存以下几个维度的信息并且要实时的更新用户画像重复性话题点赞的点踩的业务需要的知识点短期记忆当前任务服务短期记忆解决的是“我现在在干什么”它通常包含当前关注的商品current item尚未补齐的参数正在执行到哪一步用户刚刚的意图修正其特点为1.单次会话2.存储位置3.强依赖执行流程长期记忆未来决策服务长期记忆解决的是“我以前了解过用户的画像有那些维度的”在商品定价场景中长期记忆极其关键。那些需要存呢1.用户维度常查品类偏好定价方式历史成交价2.商品维度历史估值行情变化趋势价格波动区间3.企业规则城市折价系数新能源特殊规则库存清仓策略长期记忆一定是存储“高价值信息”的需要把信息进行结构化存储到数据库中以便未来我们在进行跨对话沟通时即时检索用户画像信息补充到提示词工程让模型的回答更贴合生活。4LangGraph架构加装两大核心当我们的智能体加入上下文和记忆后我们的智能体不会出现下面的问题用户提问“那台奔驰C跑了三万多”模型反问“请问是哪台奔驰01LangGraph的上下文状态前面我们已经描述了,关于状态的使用在LangGraph中,上下文状态是通过StateGraph类来实现的。**1.定义状态**你需要定义一个Python TypedDict或 Pydantic模型来表示你的状态,指定状态中包含哪些键及其对应的值类型。class AgentState(TypedDict): # 用户的原始输入 user_query: str # LLM的推理结果或中间思想 llm_output: str # 工具调用请求如函数名称和参数 tool_calls: list[ToolCall] # 工具执行后的结果 tool_results: dict # 流程是否应该结束的标志 should_end: bool**2.合并函数**LangGraph提供了多种内置的合并策略(如追加列表、覆盖字典)或允许你自定义合并函数以控制新旧数据如何整合。02LangGraph的记忆针对短期记忆是依赖于State来实现的class AgentState(TypedDict): #历史消息 history_context: List[dict]针对历史消息我们存储的是消息对就是一问一答的历史消息在真实的场景中一般都是5-10轮效果最好这个需要注意的点。针对长期记忆需要连接到外部数据库如向量数据库。它负责将外部持久化知识检索出来拼接到会话的提示词工程中这里需要注意针对长期记忆需要进行即时更新避免数据是旧的这里需要添加元数据作为区分。比如时间、版本之类的。如何学习大模型 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。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】