企业宣传,产品推广,广告招商,广告投放联系seowdb

一篇大模型Agent最新综述

嘿,大家好!这里是一个专注于AI智能体的频道~

最近这2篇综述有点撞车了,不是纯正的Agent综述,可以了解一下最新的应用测的Agent发展情况!

现实中的Agent系统会面临很多的挑战,常见的有以下几点:

一个Agent应用框架主要由三个主要的部分:感知、记忆和行动。

感知可以处理多种模态的输入,包括文本、视觉(如图像)和听觉(如声音)输入。

其中文本输入可以进一步细分为基于token的输入、基于tree/graph的输入和混合输入。这些不同的输入形式分别关注代码的不同特征,例如语义、结构等。

当然无论是文本、视觉还是听觉输入,感知模块最终都要将接收到的信息转换成适合LLM处理的嵌入格式,为后续的推理和决策制定奠定基础。

记忆模块负责存储能够帮助LLM进行有效推理决策的信息。它包括语义记忆、情景记忆和程序记忆三种类型。

记忆模块是Agent的大脑,它保存了所有重要的信息和经验,帮助Agent更好地理解问题和做出决策。

重头戏,Action。行动模块包括内部行动和外部行动,它们根据LLM的输入做出推理决策,并根据与外部环境互动获得的反馈来优化这些决策。

内部行动,涉及Agent的思考过程,包括推理、检索和学习。

其中推理部分,可以概括为3种形式

其中检索部分,为了辅助推理和决策过程,从内部或外部的知识库中检索相关信息。这包括查找文档、代码片段、API信息等,以支持当前的任务。根据召回内容不同,可以概括为以下几个类别:

召回分为密集Dense的语义搜索,稀疏Sparse的关键词搜索:

learning Action部分,是LLM-based Agent持续进步和适应新挑战的关键。通过有效的学习机制,系统能够不断进化。一般包括从经验中学习、优化内部模型和调整策略,以更好地完成未来的任务。

最后是External Action部分,它使得Agent能够主动地与外部世界进行交互,完成任务,并根据外部反馈进行自我优化。如:通过与人或其他Agent交互,以获取任务需求、澄清问题或报告结果;与各种数字工具和平台(如API服务)进行交互,以执行任务或验证结果。

本文转载自​​,作者:

© 版权声明
评论 抢沙发
加载中~
每日一言
不怕万人阻挡,只怕自己投降
Not afraid of people blocking, I'm afraid their surrender