Qwen-Agent的设计思路虽然与LangChain相似，但其发布几个的Agent示例却很有意思。今天本文将深入探讨如何使用Qwen-Agent将上下文记忆扩展到百万量级，让Agent的智能得到更广泛的应用。
暴力关键字检索优于向量方案
在处理大规模文本数据时，一个关键的挑战是如何快速准确地定位到最相关的信息块。Qwen-Agent通过一种看似“暴力”的方法——,基于LLM判断相关性AND基于关键字检索，解决了这一难题。这种方法虽然简单，但在实际操作中却显示出了意想不到的效果。
关键字检索的基本原理
关键字检索是一种直接且高效的方法，尤其是在面对大规模文本数据时。通过预先定义的关键字，我们可以快速定位到包含这些关键字的文本块。这种方法的优势在于其速度和简单性，尤其是在处理大规模数据时。
实现关键字检索的步骤
示例代码
from qwen_agent.agents import Assistantfrom qwen_agent.gui import WebUIdef test():bot = Assistant(llm={'model': 'qwen-plus'})messages = [{'role': 'user', 'content': [{'text': '介绍图一'}, {'file': 'https://arxiv.org/pdf/1706.03762.pdf'}]}]for rsp in bot.run(messages):print(rsp)def app_gui():# Define the agentbot = Assistant(llm={'model': 'qwen-plus'},name='Assistant',descriptinotallow='使用RAG检索并回答，支持文件类型：PDF/Word/PPT/TXT/HTML。')chatbot_config = {'prompt.suggestions': [{'text': '介绍图一'},{'text': '第二章第一句话是什么？'},]}WebUI(bot, chatbot_cnotallow=chatbot_config).run()if __name__ == '__main__':# test()app_gui()实践案例
假设我们有一个包含100万字的维基百科语料库，其中包含了大量关于历史、科学、文化等方面的知识。现在，用户想要查询爱因斯坦在1905年发表了什么重要的理论？用英语回答
传统的向量检索方法：
由于维基百科语料库包含了大量关于爱因斯坦的信息，传统的向量检索方法很可能会返回很多与用户查询不直接相关的文本块，例如爱因斯坦的生平介绍、其他科学家的理论等等，导致检索精度下降。
Qwen-Agent的关键字检索方法：
{"信息": ["爱因斯坦在1905年发表了什么重要的理论"],"指令": ["用英文回复"]}通过这种方式，Qwen-Agent可以更精准地定位到与用户查询相关的文本块，避免了无关信息的干扰，提高了检索效率和答案的准确性。
检索之前先做推理，多跳问题又快又准
在基于文档的问题回答中，一个典型的挑战是多跳推理。多跳推理是指需要结合多个文档的信息才能回答用户问题的情况。例如，用户可能会问“《红楼梦》的作者是谁的粉丝？”，要回答这个问题，就需要先找到《红楼梦》的作者是曹雪芹，然后找到曹雪芹是哪个朝代的人，最后才能找到答案。
什么是多跳推理
多跳推理是指在回答一个问题时，需要跨越多个不同的文本块或信息源，逐步推理得到最终答案。这种方法能够提供更准确和全面的回答，但也增加了计算复杂度。
多跳推理的实现步骤
实践案例
例如，考虑回答问题：“与第五交响曲创作于同一世纪的交通工具是什么？
以用促训，Agent智能反哺模型
官方实验结果表明，4k-智能体在处理长上下文方面的表现优于32k-模型。这种分块阅读所有上下文的方式，使得Agent能够克服原生模型在长上下文训练上的不足。而Agent智能在使用过程中生产的数据，则能迭代用于后续长文本上下文的进一步微调。
智能反哺模型的实现步骤
总结
通过本文的探讨，我们了解到Qwen-Agent如何通过智能体扩展模型的上下文记忆，以及如何利用这些智能体来提升模型的性能。这不仅为AI技术的发展提供了新的思路，也为我们在处理大规模文本数据时提供了有效的工具。希望这篇文章能为大家在实际应用中提供一些启发和帮助。