智能体可以帮助您完成根据元数据表在本地查询大量数据,并把匹配的数据参数复制到元数据表的工作。
智能体可以根据其复杂性和功能分为以下几种类型:
在实际应用中,多智能体 AI 搜索引擎的方案如下:
此外,生物医药小助手智能体是由 1 个工作流和 6 个数据库实现的。工作流相对简单,而数据库包括公众号文章、执业药师教材、执业医师讲义、药监局新药审评报告、中国医药企业融资动态、药物对外授权动态、全球药物销售额等。在医疗领域,为保证回答的准确性,提示词约定回答只能来自于知识库。其商业化场景包括医药企业研发立项、科研机构临床转化评估、投资机构评估标的公司等。
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。
首先需要根据用户的任务<调研市场上主流的开源搜索引擎技术架构>,使用搜索工具补充更多的信息。这里我们使用工具API Web-Search-Pro,具体[参考文档](https://bigmodel.cn/dev/api/search-tool/web-search-pro)。请求代码搜索结果[heading3]第二步,用模型规划和分解子任务[content]然后我们需要使用大模型来帮助我们规划,把用户问题拆分成若干子搜索任务,并转换为JSON格式。这里我们通过GLM-4-0520的模型来分析,参考[API文档](https://bigmodel.cn/dev/api/normal-model/glm-4)。JSON格式处理,我们参考[JSON工具](https://bigmodel.cn/dev/howuse/jsonformat)。请求代码拆分问题(格式可解析成JSON OBJECT)[heading3]第三步,用搜索智能体完成子任务[content]AI搜索智能体不仅具备联网搜索的能力,还能够自主分析并进行多轮搜索任务。智能体API的调用方式,具体[参考文档](https://bigmodel.cn/dev/api/qingyanassistant/assistantapi)。智能体id:659e54b1b8006379b4b2abd6简介:连接全网内容,精准搜索,快速分析并总结的智能助手。请求代码子问题搜索结果[heading3]第四步,总结子任务生成思维导图[content]智能体能调用各种插件,除了思维导图以外,还有流程图、PPT工具等,你可以根据工作需要选择。智能体API的调用方式,具体[参考文档](https://bigmodel.cn/dev/api/qingyanassistant/assistantapi)。智能体id:664e0cade018d633146de0d2简介:告别整理烦恼,任何复杂概念秒变脑图。请求代码总结并生成脑图
这个智能体是由1个工作流+6个数据库实现的。工作流的设计比较简单,一个input,对接知识库,然后搭载豆包function call大模型,最后是一个output。6个数据库分别是我的公众号发表过的文章+执业药师教材(做第一个知识库的时候没经验,其实应该分开成两个数据库)、执业医师讲义、药监局新药审评报告、中国医药企业融资动态、药物对外授权(BD)动态、全球药物销售额。工作流是非常简单的,相对有难度的是收集知识库的资料并根据清洗结果进行手动二次校对(需要一定专业知识)。也许有人要问,医药知识我直接问大模型不好吗?大模型的语料来源庞杂,广度一定是比智能体好很多的,但是在医疗这个严肃领域,对回答准确性的要求非常高。为了避免出现误导性的回答,我在提示词中约定了回答只能来自于知识库。也许有问题超出知识库范畴的情况,但还没发现智能体回答是医学上不严谨的现象。广or精准,在医疗领域一定是精准优先的。[heading2]商业化场景[content]基本可以理解为,这个智能体能替代大部分的传统医药数据库商业化场景。医药企业研发立项:每个医药研发项目在立项之前,都要整理作用机制、目标治疗疾病的竞争格局、主流的技术路径是什么、同技术路径其他公司研发的产品在临床试验阶段看到的安全性风险和有效性分别是怎样的,这些问题智能体都可以回答科研机构临床转化评估:大学等科研机构有将基础的医药研究课题转化为药物的孵化机制,关注的主要是科学家研究方向的临床转化潜力,这些问题智能体都可以回答投资机构评估标的公司:主要关注国外对标技术的发展情况、融资情况、临床转化的可靠性,这些问题智能体都可以回答