大模型應(yīng)用開發(fā)-AI Agent 連接大模型與應(yīng)用的橋梁

大模型風(fēng)靡全球，無論是像GPT這樣的大語言模型，還是其他領(lǐng)域的AI巨頭，都成了技術(shù)界的焦點?？墒?，問題來了：這些強大的模型光是存在就夠了嗎？顯然不夠！要發(fā)揮它們的真正價值，就需要一個 "中間人" 來搭建大模型與實際應(yīng)用場景之間的橋梁，而這個中間人，就是AI Agent（AI代理）。

AI Agent可不是單純的一個普通AI，它就像是一個全能的事務(wù)處理員，能理解、執(zhí)行并響應(yīng)不同的任務(wù)。當(dāng)我們向AI模型提出一個復(fù)雜的需求，模型給了我們一堆處理后的信息。如果沒有AI Agent來優(yōu)化和整合這些信息，我們就只能依靠自己來篩選、應(yīng)用。而AI Agent的存在，正是為了解決這一問題——它能將大模型的復(fù)雜處理能力轉(zhuǎn)化為可操作的任務(wù)結(jié)果。

什么是AI Agent？

AI Agent的工作方式其實可以理解為一個流程化的任務(wù)處理器。它能夠接收用戶輸入，分解復(fù)雜任務(wù)，調(diào)用所需資源，最后整合并返回結(jié)果。以下是它的工作步驟：

1. 用戶發(fā)起請求

用戶通過界面或者語音向AI模型發(fā)出請求，比如“生成一份市場調(diào)研報告”。這個請求可以是非常簡單的問題，也可以是復(fù)雜的任務(wù)。

2. AI Agent分解任務(wù)

AI Agent會首先理解這個請求，然后將其分解為多個子任務(wù)。例如，在市場調(diào)研報告的例子中，它可能會將任務(wù)拆解為“收集市場數(shù)據(jù)”、“分析競爭對手”等子任務(wù)。這個分解的過程可以讓每個子任務(wù)更好地執(zhí)行。

3. 調(diào)用大模型及外部資源

在每個子任務(wù)下，AI Agent會根據(jù)需求調(diào)用大語言模型（如GPT）進行信息生成，同時還可能連接到外部的API、數(shù)據(jù)庫，甚至是其他系統(tǒng)的數(shù)據(jù)源。通過這種調(diào)用，AI Agent能獲取更加豐富和精準的資源來完成任務(wù)。

4. 整合并返回結(jié)果

一旦所有的子任務(wù)都執(zhí)行完畢，AI Agent會將所有信息整合起來，生成一個可操作的最終結(jié)果，并返回給用戶。例如，它將把收集到的市場數(shù)據(jù)和競爭對手分析結(jié)果整合成一份完整的市場調(diào)研報告。

5. 用戶獲取最終結(jié)果

用戶最終得到一個由AI Agent處理過的結(jié)果，可以直接使用，省去了自己分析、處理數(shù)據(jù)的麻煩。

從上面的概述，我們可以把AI Agent概況為：

我們可以把AI Agent數(shù)據(jù)流簡單概括如下：

走進AI Agent

接下面我們對AI Agent的幾個組成模塊進行簡單解釋：

01、提示模板

當(dāng)我們談到AI Agent時，常常會提到一個重要概念——提示工程（Prompt Engineering）。這是一個幫助大模型高效工作的技巧，它不僅是與大模型對話的關(guān)鍵，也是引導(dǎo)大模型生成準確、有用的數(shù)據(jù)。

在AI Agent中，提示工程的作用就像我們跟大模型溝通的“橋梁”，把我們的意圖轉(zhuǎn)化為機器能理解的指令，讓大模型可以給出符合預(yù)期的輸出。簡單來說，它幫助我們“教”大模型該如何思考及輸出我們預(yù)設(shè)的數(shù)據(jù)格式。

02、大模型

大模型是一種神經(jīng)網(wǎng)絡(luò)模型，通常由數(shù)以億計甚至千億級的參數(shù)組成（比如GPT-4）。這些模型通過對大量文本數(shù)據(jù)進行訓(xùn)練，學(xué)會了從語言中捕捉模式、理解上下文關(guān)系、預(yù)測下一個詞及生成圖片、生成聲音、甚至生成具有創(chuàng)意的文本。

訓(xùn)練大模型的過程相當(dāng)復(fù)雜，它通過處理各種各樣的語料庫（新聞、書籍、網(wǎng)頁等），學(xué)習(xí)到人類語言的結(jié)構(gòu)和邏輯。這讓它能夠生成高度相關(guān)、連貫、甚至具有一定常識性和推理能力的回答，進而實現(xiàn)自然語言處理的強大功能。

03、記憶

在AI Agent中，記憶指的是它能夠在多輪對話或一系列任務(wù)之間“記住”一些信息。這些信息可以是用戶的偏好、之前的對話內(nèi)容、執(zhí)行的任務(wù)步驟，甚至是歷史決策。這種記憶可以是短期的（比如一次對話會話中的內(nèi)容）或長期的（跨多個會話，保存重要的用戶數(shù)據(jù)或偏好）。

和人類一樣，AI Agent擁有記憶的能力后，能夠更好地理解用戶的需求，追蹤上下文，提供更連續(xù)且一致的交互體驗。例如，如果一個AI Agent記住了你喜歡的咖啡類型，下次你訂咖啡時，它就能直接推薦你偏好的選項，而不需要你每次重新說明。

04、工具

在AI Agent中，工具的概念指的是賦予AI執(zhí)行特定任務(wù)的外部或內(nèi)部能力。這些工具讓AI Agent不僅能夠理解和生成語言，還能通過操作不同工具來完成復(fù)雜的任務(wù)或解決問題。換句話說，工具是讓AI Agent從“會說”變成“會做”的關(guān)鍵組件。

這些工具可以是API、數(shù)據(jù)庫、計算模塊、瀏覽器等具體的外部系統(tǒng)，也可以是AI Agent內(nèi)置的能力（如搜索、計算、文件操作等）。工具的使用極大地擴展了AI Agent的能力，讓它能夠與外部世界互動，而不僅僅局限于對話或文字生成。

實現(xiàn)簡單的客服系統(tǒng)

我們根據(jù)AI Agent的概念，來實現(xiàn)一個手機售賣的客服系統(tǒng)，為了便于快速理解這些概念，我們使用Dify來實現(xiàn)，Dify我們在上篇文章中已進行安裝簡介。

01、數(shù)據(jù)準備

我從網(wǎng)上查詢到一些手機的報價及配置作為測試數(shù)據(jù)，如下圖，把它保存為phones.xlsx，并上傳到Dify知識庫。

上傳到Dify:

點擊下一步：

點擊保存并處理：

點擊前往文檔，把剛上傳的文件改名為"手機列表"。

知識庫的概念：

大語言模型的訓(xùn)練數(shù)據(jù)一般基于公開的數(shù)據(jù)，且每一次訓(xùn)練需要消耗大量算力，這意味著模型的知識一般不會包含私有領(lǐng)域的知識，同時在公開知識領(lǐng)域存在一定的滯后性。為了解決這一問題，目前通用的方案是采用 RAG（檢索增強生成）技術(shù)，使用用戶問題來匹配最相關(guān)的外部數(shù)據(jù)，將檢索到的相關(guān)內(nèi)容召回后作為模型提示詞的上下文來重新組織回復(fù)。

Dify 的知識庫功能將 RAG 管線上的各環(huán)節(jié)可視化，提供了一套簡單易用的用戶界面來方便應(yīng)用構(gòu)建者管理個人或者團隊的知識庫，并能夠快速集成至 AI 應(yīng)用中。你只需準備文本內(nèi)容，例如：

長文本內(nèi)容（TXT、Markdown、DOCX、HTML、JSONL 甚至是 PDF 文件）

結(jié)構(gòu)化數(shù)據(jù)（CSV、Excel 等）

(來源于Dify官方文檔)

02、創(chuàng)建一個Agent

根據(jù)下圖提示，我們創(chuàng)建一個Agent：

點擊創(chuàng)建，如下圖：

在右上角選擇gpt-4，在提示詞中輸入提示詞，在上下文中選擇我們的知識庫"手機列表"：

你是一位手機售賣AI助手，專門回答客戶的關(guān)于手機方面的問題。請按照以下步驟回答：1. 使用 “手機列表” 查詢手機信息。如果“手機列表”中有相關(guān)數(shù)據(jù)，請返回查詢結(jié)果。2.?如果?“手機列表”?中沒有相關(guān)數(shù)據(jù)，請直接回答：“抱歉，我沒有找到相關(guān)的手機信息?！?/code>3. 不要嘗試從其他來源獲取信息，如在線搜索。