最近IBM人工智能专家Maya Murad出了一个***磋商人工智能代理的演化及其在人工智能系统变革中的关键浸染。
从单体模型到复合人工智能系统，探索人工智能代理如何与数据库和外部工具集成，以增强办理问题的能力温柔应性，分享给大家，希望对各位有用。

单一模型的局限性

为理解释这个问题，我们首先须要看看天生式AI领域的各种变革。
首先，谈论从单一模型到复合AI系统的转变。

单独的模型受其演习数据的限定，这影响了它们对天下的认知和能够办理的任务类型。
而且它们也难以适应。
虽然可以对模型进行微调，但这须要投入大量的数据和资源。

一个具体例子：度假操持

让我们用一个详细的例子来解释这一点。
假设你想操持今年夏天的度假，并且想知道你有多少假期可以用。

你可以将你的问题输入一个能够天生答案的模型。
我们可以预期这个答案不会精确，由于模型不知道你是谁，也无法访问你的这些敏感信息。

复合AI系统的魔力

单独的模型在很多任务上是有用的。
它们可以帮助总结文档，帮助创建电子邮件和各种报告的初稿。
但真正的魔力在于开始环绕模型构建系统，并将模型集成到现有的流程中。

如果我们要设计一个别系来办理这个问题，须要让模型访问存储假期数据的数据库。
这样，相同的查询会输入到措辞模型中。
不同之处在于，现在模型会被提示创建一个搜索查询，这个查询可以访问拥有的数据库。
因此，这将从数据库中获取信息，输出一个答案，然后再回到模型中天生一个句子来回答，比如，“你在你的假期数据库中还有十天假期。
”

这样你得到的答案就会是精确的。

复合AI系统的实质

系统设计原则

这是一个复合AI系统的例子，它表明某些问题在运用系统设计原则时能更好地办理。

那么这意味着什么？通过“系统”这个术语，你可以理解为有多个组件。
因此，系统实质上是模块化的。
你可以有一个模型，在微调后的模型、大措辞模型、图像天生模型之间选择，但也可以有程序组件来环绕它。
因此，你可以有输出验证器，有程序来处理查询，然后将其分解以增加答案精确的机会，可以将其与搜索数据库结合起来，或与不同的工具结合起来。

系统方法的上风

因此，当评论辩论系统方法时，你可以分解希望程序实行的内容，并选择得当的组件来办理这个问题。
这比调度模型本身要随意马虎得多，因此使得适应性更快、更迅速

RAG系统简介

一个复合AI系统的例子是检索增强天生（RAG）系统，这是目前最盛行和最常用的复合AI系统之一。
大多数RAG系统和我们不才面利用的例子都因此某种办法定义的。

程序掌握逻辑的局限性

以是如果提出一个非常不同的查询，比如问景象。
这将会失落败，由于这个程序必须遵照的路径是始终搜索假期政策数据库，而这与景象无关。
因此，当我们说查询的路径时，我们指的是程序的掌握逻辑。

复合AI系统，大多数都有程序掌握逻辑。
这是由人类定义的。

智能体的引入

现在让我们谈谈智能体的浸染。
掌握复合AI系统逻辑的另一种方法是将大型措辞模型置于主导地位，这只有在我们看到大型措辞模型的推理能力有巨大改进时才有可能。

大型措辞模型可以处理繁芜的问题。
你可以提示它们分解问题并提出办理问题的操持。
另一种思考办法是，在光谱的一端，见告系统快速思考，按编程进行操作，不要偏离指示。
而在光谱的另一端，设计系统逐步思考。

创建一个操持，办理操持的每个部分，看看哪里碰着了困难，看看是否须要重新调度操持。
因此，可能会有一个繁芜的问题，如果只是给出脑海中冒出的第一个答案，很可能这个答案是缺点的，但如果分解它，理解须要外部帮助办理哪些部分的问题，并花韶光去办理它，成功率会更高。

当将大型措辞模型置于逻辑的主导地位时，这便是智能体方法。

大型措辞模型智能体的组成部分

推理能力 让我们分解大型措辞模型智能体的组成部分。
第一个能力是推理能力，这是我们之条件到的。
因此，这是将模型置于问题办理的核心。
模型会被提示提出一个操持，并在全体过程中对每一步进行推理。
行动能力 智能体的另一个能力是行动能力。
这是通过外部程序完成的，这些程序在业界被称为工具。
因此，工具是程序的外部部分，模型可以定义何时调用它们以及如何调用它们，以便最好地实行所被问到的问题的办理方案。
工具的一个例子可以是搜索，搜索网络，搜索可用的数据库。
另一个例子可以是打算器来做一些数学运算。
这可以是一段可能会操作数据库的程序代码。
这也可以是另一个措辞模型，比如你正在考试测验做翻译任务，须要一个能够实行该任务的模型。
还有很多其他的可能性。
这些可以是API。
基本上是任何你想让模型访问的外部程序。
影象访问能力第三个能力是访问影象的能力。
“影象”这个词可以意味着几件事情。
模型通过程序思考，就像你在考试测验办理问题时思考一样。
因此，这些内部日志可以被存储，并在不同韶光点被检索利用。
但这也可以是你与智能体交互时的对话历史。
这将使体验更加个性化。
ReACT：智能体配置的一种方法

ReACT：智能体配置的一种方法

配置智能体的方法有很多种。
最盛行的方法之一叫做ReACT，它结合了大型措辞模型智能体的推理和行动组件。

当配置一个REACT智能体时会发生什么？有用户查询，这会输入到模型中。
因此，给模型一个提示。
指示是不要给出脑海中冒出的第一个答案。
逐步思考，操持事情。
然后考试测验实行某些操作。
考试测验行动。
当想行动时，可以定义是否想利用外部工具来帮助提出办理方案。
一旦调用了一个工具并得到了答案。
大概它给了缺点的答案或涌现了缺点，可以不雅观察到这一点。
因此，模型会不雅观察答案，确定它是否回答了当前的问题，还是须要在操持上进行迭代和不同的处理。
直到得到一个终极答案。

繁芜问题办理：度假操持案例

让我们回到假期例子，再次详细解释。
显然，度假非常令人愉快，以是你想休完剩下的假期，操持下个月去三亚，并操持在户外呆很多韶光，但随意马虎晒伤。
以是你想知道该当带多少防晒霜。

这是一个繁芜的问题。
因此，首先有一些事情须要操持。
一是操持休多少假期天数？大概这是系统可以从它的影象中检索的信息，由于之前问过这个问题。
二是操持在阳光下呆多久？如果说操持呆良久，大概这意味着查看下个月三亚景象预报，看看估量的均匀日照韶光。
三是考试测验访问一个公共康健网站，理解每小时在阳光下的推举防晒霜剂量。
然后做一些数学运算，打算出这些防晒霜有多少装在两盎司的瓶子里。
这相称繁芜。

复合AI系统的未来

但这里真正强大的是，有很多路径可以探索来办理问题。
因此，这使得系统相称模块化。
你可以用更繁芜的问题来寻衅它。
以是回到复合AI系统的观点，复合AI系统将连续存在。
今年我们将看到它们变得更加智能化。
我喜好这样思考：有一个AI自主性的滑动标尺。
定义系统的人会评估在系统中希望的自主性权衡，特殊是对付那些狭窄且定义明确的问题。
因此，不期望有人在须要讯问假期时问景象。
因此，一个狭窄的问题集。

你可以定义一个像这样的狭窄系统。
以编程办法处理更有效，由于每个查询都会以相同的办法回答。
如果在这里运用智能体方法，可能会有不必要的循环和迭代。
因此，对付狭窄的问题，程序化的方法比通用方法更有效。
但如果希望系统完成非常繁芜的任务，比如独立办理GitHub问题，并处理各种查询，这便是智能体方法有帮助的地方，由于配置系统中的每条路径会花费太多精力。

结语

我们仍处于智能体系统的早期阶段。
当你将系统设计的效果与智能行为相结合时，我们看到了快速的进展。
当然，在大多数情形下，人类仍会参与个中，由于准确性正在提高。