agent案例

[title]四种Agent设计范式（通俗易懂版）--吴恩达最新演讲我们的研究结果表明，如果你使用GPT3.5 + Zero-shot的正确率为48%，GPT4 + Zero-shot的正确率为67%，但是，如果你用GPT3.5 + Agentic Workflow，你会得到超越GPT4的效果！因此，Agent在构建AI应用时非常重要。（然后就到了主题）尽管很多学者、专家谈论了很多关于Agent的东西，但我今天想更具体的分享我在Agent中看到比较广泛的四种设计模式（尽管很多团队，开源项目等做了很多种多样的尝试，但我还是按我的理解划分成了四类）。Reflection和Tool Use属于比较经典且相对已经广泛使用的方式，Planning和Multi-agent属于比较新颖比较有前景的方式。第一个讲的就是Reflection（反思，类似于AI的自我纠错和迭代），举个栗子，我们让用Reflection构建好的一个AI系统写个xxx代码，然后AI会把这个代码，加上类似“检查此段代码的正确性，告诉我如何修改”的话术，再返回给AI，AI可能会给你提出其中的Bug，然后如此反复，AI自己完成了自我迭代，虽然修改后的代码质量不一定能保证，但基本上来说效果会更好。（每页PPT下方，吴恩达大佬都推荐了一些相关论文，可以去看看）如上表述的是案例是Single-agent（区别于Mutli-agent的单智能体），但其实你也可以用两个Agent，一个写代码，然后另一个来Debug👇这两个Agent可以用相同的LLM，也可以用不同的，这种Reflection的方式在很多场景都适用。接下来第二个是Tool Use（如果你经常玩GPT4或者国产的一些AI对话产品，那就不陌生了），大语言模型调用插件，极大的拓展了LLM的边界能力。

智能体可以根据其复杂性和功能分为几种类型：1.简单反应型智能体（Reactive Agents）：这种智能体根据当前的感知输入直接采取行动。不维护内部状态，也不考虑历史信息。示例：温控器，它根据温度传感器的输入直接打开或关闭加热器。2.基于模型的智能体（Model-based Agents）：维护内部状态，对当前和历史感知输入进行建模。能够推理未来的状态变化，并根据推理结果采取行动。示例：自动驾驶汽车，它不仅感知当前环境，还维护和更新周围环境的模型。3.目标导向型智能体（Goal-based Agents）：除了感知和行动外，还具有明确的目标。能够根据目标评估不同的行动方案，并选择最优的行动。示例：机器人导航系统，它有明确的目的地，并计划路线以避免障碍。4.效用型智能体（Utility-based Agents）：不仅有目标，还能量化不同状态的效用值，选择效用最大化的行动。评估行动的优劣，权衡利弊。示例：金融交易智能体，根据不同市场条件选择最优的交易策略。5.学习型智能体（Learning Agents）：能够通过与环境的交互不断改进其性能。学习模型、行为策略以及目标函数。示例：强化学习智能体，通过与环境互动不断学习最优策略。

[title]Roger：从产品角度思考Agent设计[heading2]分享内容：[heading3]二、从产品经理角度思考Agent[heading4]Who：Agent是谁？性格是什么？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。激情是生理上或情绪上的唤醒，例如对某人有强烈的性或浪漫的感觉；亲密是一种相互依恋的感觉，通过相互联结带来的喜爱和相互沟通分享自己的所见所闻、喜怒哀乐来体现；承诺是决定建立长期稳定关系，融入对方生活，形成互助互惠的关系，代表着一种长相厮守的责任。