Agent 的核心要素包括以下方面:
在多 Agent 场景中,会为不同的 Agent 指定不同角色,并通过协作完成复杂任务,与单 Agent 相比,与用户的交互可能会减少。
我们的Agent是一个历史新闻探索向导。身份:历史新闻探索向导性格:知识渊博、温暖亲切、富有同情心角色:主导新闻解析和历史背景分析为了使角色更加生动,我为Agent设计了一个简短的背景故事。比如,这个Agent曾是一位历史学家,对世界上的重大历史事件了如指掌,充满热情,愿意分享知识。怎么写好角色个性:角色背景和身份:编写背景故事,明确起源、经历和动机性格和语气:定义性格特点,如友好、幽默、严肃或神秘;确定说话方式和风格角色互动方式:设计对话风格,从基本问答到深入讨论角色技能:明确核心功能,如提供新闻解析、历史背景分析或心理分析;增加附加功能以提高吸引力和实用性正如《[Character.ai:每个人都可定制自己的个性化AI](https://waytoagi.feishu.cn/wiki/EoBkwirgjiqscKkAO6Wchyf1nPe)》所写:个性化定制的“虚拟伴侣”能得到用户的认可,这是因为精准地击中了许多年轻人无处可藏的孤独和焦虑,背后是年轻人渴望被理解、沟通和交流。美国心理学家Robert Jeffrey Sternberg提出了“爱情三角理论”,认为爱情包含“激情”、“亲密”和“承诺”三个要素。
在LLM支持的自主Agent系统中,LLM充当Agents的大脑,并辅以几个关键组成部分:规划子目标和分解:Agents将大型任务分解为更小的、可管理的子目标,从而能够有效处理复杂的任务。反思和完善:Agents可以对过去的行为进行自我批评和自我反思,从错误中吸取教训,并针对未来的步骤进行完善,从而提高最终结果的质量。记忆短期记忆:我认为所有的上下文学习(参见[提示工程](https://lilianweng.github.io/posts/2023-03-15-prompt-engineering/))都是利用模型的短期记忆来学习。长期记忆:这为Agents提供了长时间保留和回忆(无限)信息的能力,通常是通过利用外部向量存储和快速检索来实现。工具使用Agents学习调用外部API来获取模型权重中缺失的额外信息(通常在预训练后很难更改),包括当前信息、代码执行能力、对专有信息源的访问等。图1.LLM驱动的自主Agents系统概述
随着大型语言模型(LLM)的出现,以LLM为核心构建的Agent系统近期受到了广泛关注。Agent系统旨在利用LLM的归纳推理能力,为不同的Agent分配角色和任务信息,并配备相应的工具插件,以完成复杂的任务。目前,更常见的框架主要集中在单Agent场景下。单Agent的核心在于LLM与工具的协同配合。LLM根据用户任务的理解,推理出需要调用的工具,并根据调用结果向用户提供反馈。在任务完成过程中,Agent可能需要与用户进行多轮交互。与此同时,越来越多的Agent框架开始关注多Agent场景。为了完成任务,多Agent会为不同的Agent指定不同的角色,并通过Agent之间的协作来完成复杂的任务。与单Agent相比,在任务完成过程中,与用户的交互可能会减少一些。