AI知识分享AI知识分享
✿导航
  • 人工智能
  • 神经网络
  • 机器学习
  • 深度学习
  • 强化学习
  • 自然语言处理
  • 计算机视觉
  • 数学基础
  • 大模型基础
  • 动手学深度学习
  • 理论理解
  • 工程实践
  • 应用开发
  • AI For Everyone
  • AIGC_2024大会
  • AIGC_2025大会
  • Agentic AI
  • Transformer
  • PyTorch
  • HuggingFace
  • LangChain
  • 蒸馏
  • RAG
  • 目标检测
  • MCP
  • Cursor
  • 概念
  • 意图识别
  • 工具
  • 学习路线
  • PyTorch 资料
  • 公式学习
  • PyTorch 基础练习
✿导航
  • 人工智能
  • 神经网络
  • 机器学习
  • 深度学习
  • 强化学习
  • 自然语言处理
  • 计算机视觉
  • 数学基础
  • 大模型基础
  • 动手学深度学习
  • 理论理解
  • 工程实践
  • 应用开发
  • AI For Everyone
  • AIGC_2024大会
  • AIGC_2025大会
  • Agentic AI
  • Transformer
  • PyTorch
  • HuggingFace
  • LangChain
  • 蒸馏
  • RAG
  • 目标检测
  • MCP
  • Cursor
  • 概念
  • 意图识别
  • 工具
  • 学习路线
  • PyTorch 资料
  • 公式学习
  • PyTorch 基础练习
  • AI For Everyone

    • 什么是AI
    • 构建 AI 项目
    • 在公司内构建AI
    • AI与社会
  • AIGC_2024大会

    • 大模型下的软件工程:进展与挑战
    • 大语言模型智能体高效协作框架
    • 生成式人工智能的数学与统计学基础
    • 脑认知启发的人工智能
    • LLM Reasoning and Generalization
  • AIGC_2025大会

    • 构建人工智能安全的微基准测试
    • 大语言模型与软件自动化的变革与趋势
    • 基于大模型的代码生成和摘要技术
  • Agentic AI

    • 智能体工作流

      • 什么是智能体 AI?
      • 自主程度
      • 智能体 AI 的优势
      • 智能体 AI 的应用
      • 为什么需要任务分解?
      • 评估智能体 AI
      • 智能体设计模式
    • 反思设计模式

      • 反思如何改进任务输出
      • 为什么不一次直接生成?
      • 图表生成工作流程
      • 评估反思的影响
      • 使用外部反馈
    • 工具使用

      • 什么是工具
      • 创建工具
      • 工具调用语法
      • 代码执行
      • MCP
    • 构建智能体 AI 的实用技巧

      • 评估(Evals)
      • 错误分析与优先级
      • 更多错误分析示例
      • 组件级评估
      • 如何解决问题
      • 延迟与成本优化
      • 开发流程总结
    • 高度自主智能体模式

      • 规划工作流
      • 创建并执行 LLM 计划
      • 基于代码执行的规划
      • 多智能体工作流
      • 多智能体通信模式
      • 总结

什么是智能体 AI?

什么是“非智能体”工作流?

“非智能体”工作流指的是用户通过一个单一提示(prompt),要求大型语言模型(LLM)一次性完成整个任务,这种工作流被称为“零样本”(zero-shot)工作流。

例子: “请从头到尾写一篇关于主题X的文章,中间不能使用退格键修改。”

局限性:这就像让一个人或AI“一口气”从第一个字写到最后一个字,中间不能回头修改;无论是人类还是AI模型,都不擅长以这种完全线性的、不可逆的方式进行创作。尽管如此,目前流行从的大型语言模型在这种约束下依然能表现得相当不错。

alt text

什么是“智能体”工作流?

智能体AI工作流是一种基于大型语言模型的应用流程,它通过执行多个步骤来完成一个复杂任务。它与“零样本”工作流的核心区别在于其迭代性和分解性。

工作流示例:撰写文章

  1. 写大纲: 让LLM先写出文章的大纲。
  2. 决定是否需要研究: 让另一个LLM判断是否需要进行网络搜索。
  3. 执行研究: 如果需要,调用网络搜索API,获取相关网页信息。
  4. 写初稿: 将下载的网页内容输入给LLM,让它撰写第一稿。
  5. 反思与修订: 让LLM反思初稿,决定哪些部分需要修改或补充更多研究。
  6. 人工审核(可选): 在关键环节,可以让LLM请求人工审核,例如确认某些关键事实。
  7. 最终修订: 根据反馈或自我反思,对草稿进行最终修改。

虽然这种迭代式的工作流可能花费更长时间,但它能产出质量更高、更全面的工作成果。

alt text

An agentic Al workflow:指基于大语言模型(LLM)的应用程序执行多个步骤以完成任务的过程。

换成通俗点话说:将一个复杂的任务拆分为具体的Steps,并且指挥多个LLM(可以是不同的LLM)完成每个不同的具体的Step,最终生成可交付的结果。

最近更新: 2026/6/23 22:01
Contributors: klc407073648
Next
自主程度