AI.x社区

自GPTResearcher首次发布以来，仅仅一年时间，构建、测试和部署AI代理的方法已经取得了显著进步。从最初的zeroshot或fewshotprompting，迅速发展到代理的functioncalling、RAG，再到现在的Agent工作流（也称为flowengineering）。吴恩达最近指出：“我认为AI代理工作流今年将推动巨大的AI进步，甚至可能超过下一代基础模型。这是一个重要的趋势，我鼓励所有从事AI工作的人士关注。”在本文中，你将了解到为什么多Agent工作流是...

引言随着人工智能技术的飞速发展，Agent（智能体）的概念已经从科幻小说走进了现实世界。Agent可以被理解为一种具有一定智能的软件实体，它能够自主地执行任务、做出决策并与其他系统交互。在AI技术公众号的运营过程中，我们收到了许多关于Agent开发的咨询，因此，本文将从技术角度出发，为大家解析这三个阶段的演进方式，并各自提供一个代码demo案例，为新手程序员提供一份Agent开发的指南。Demo地址：https:github.comq2wxecl...

还记得四个月前我们发布的LangChain首个稳定版吗？今天，我们继续这一进步，带来了langchainv0.2的预发布版。这个新版本不仅在v0.1的基础上进行了改进，还吸纳了社区的反馈。以下是v0.2版本的主要亮点：实现了社区热切期待的langchain与langchaincommunity的完全分离。引入了新版（而且是有版本控制的！）文档。提供了一个更加成熟和可控的代理框架。对大型语言模型（LLM）的接口进行了标准化改进，特别是在工具调用方面。增强...

当独立的API相互连接时，它们变得极为强大。无论是与外部客户的互动、内部使用还是常规的端到端测试，几乎所有的在线交互实际上都是由相互连接的API网络构成的“流程”。这种相互连接是数字产品体验的核心。与API的强大能力相提并论，大型语言模型（LLMs）展现出了令人瞩目的推理能力，它们在解决问题时的迭代思维过程与人类非常相似。LLMs在进行重复迭代时展现出的能力，使其成为计算推理中的强大工具，特别是在形成“流程”的...

介绍大型语言模型（LLM）通过工具调用能够与外部数据源进行交互。这项技术让开发者能够利用LLM来获取、交互和操作外部资源（比如数据库、文件和API等）。随着越来越多的LLM提供商开始提供工具调用功能，我们注意到市场上出现了多种多样的接口。为了解决这个问题，LangChain推出了一个标准化的接口，这样用户就可以轻松地在不同的LLM提供商之间进行切换。这个标准化接口包括以下几个方面：ChatModel.bindtools：这个方法允许您将...

本文经翻译并二次整理自LangFriend:aJournalwithLongTermMemory一文。讲述了LangChain在模型记忆功能方面进行的一次深入的应用实战，并推出了具备记忆能力的日记应用LangFriend。立即体验日记应用https:journal.langchain.com申请开发者API访问https:forms.glej3Aaa2ibNpg5pC4q7我们深信，记忆功能将是大型语言模型（LLM）系统中最具潜力的一部分。生成性AI的魅力在于它能即时创造独特的内容，这在个性化用户体验方面展现出巨大...

在大型语言模型（LLM）的应用中，有几个场景需要以结构化的方式呈现数据，其中信息提取和查询分析是两个典型的例子。我们最近通过更新的文档和一个专门的代码仓库强调了信息提取的重要性。对于查询分析，我们同样更新了相关文档。在这些场景中，数据字段可能包括字符串、布尔值、整数等多种类型。而在这些类型中，处理高基数的分类值（即枚举类型）是最具挑战性的。所谓的“高基数分类值”，指的是那些必须从有限的选项中选择的...

Agent开发的四种设计模式在吴恩达教授的演讲中，他提到了四种可以显著提升AI智能体性能的设计模式：反思（Reflection）：智能体审视自己的工作，并提出改进的方法。使用工具（Tooluse）：智能体利用网络搜索、代码执行等工具来收集信息、采取行动或处理数据。规划（Planning）：智能体制定并执行多步骤计划来达成目标。多智能体协作（Multiagentcollaboration）：多个智能体共同工作，通过分配任务和讨论来提出更优的解决方案。...