网站关键词seo排名,甘肃三轮建设监理网站,个人做网站流程,房屋租赁网站开发背景我们小时候都玩过乐高积木。通过堆砌各种颜色和形状的积木#xff0c;我们可以构建出城堡、飞机、甚至整个城市。现在#xff0c;想象一下如果有一个数字世界的乐高#xff0c;我们可以用这样的“积木”来构建智能程序#xff0c;这些程序能够阅读、理解和撰写文本#xf…我们小时候都玩过乐高积木。通过堆砌各种颜色和形状的积木我们可以构建出城堡、飞机、甚至整个城市。现在想象一下如果有一个数字世界的乐高我们可以用这样的“积木”来构建智能程序这些程序能够阅读、理解和撰写文本甚至与我们对话。这就是大型语言模型LLM能够做到的比如 GPT-4它就像是一套庞大的乐高积木套装等待我们来发掘和搭建。
LangChain 概念和结构
LangChain 是什么
LangChain 就是那个让我们能将这些语言模型乐高积木组合成有趣应用的工具箱。它不是一个实物而是一个开源的软件框架帮助开发者像搭乐高一样快速构建和优化基于语言模型的应用。
为什么需要 Langchain
想一想虽然我们有了乐高积木但如果没有说明书或者构建工具那么要搭建出一个复杂的模型将是非常困难的。同样地即使我们有了强大的 LLM比如 GPT-4它们也需要“说明书”和“工具”来更好地服务于现实世界的需求。GPT-4 有无与伦比的能力去处理语言但是它还是需要额外的组件和连接才能完全发挥潜力比如访问最新的数据、与外部 API 互动、处理用户的上下文信息等。LangChain 就是这样一套“说明书”和“工具”让 GPT-4 能够更好地融入到我们的应用中去。
LangChain 的乐高世界
举个例子假设你想要用 GPT-4 建一个旅行顾问机器人。单独的 GPT-4 就像是一堆杂乱无章的乐高积木。它可能知道很多关于世界各地的信息但如果不能实时查找最新的航班信息或者酒店价格它提供的旅行建议可能就不够准确或实用。LangChain 就好比是提供了一本指导手册和一套辅助工具它能让你的旅行顾问机器人链接到航班数据库记住用户的旅行偏好甚至根据用户以往的提问历史来提供个性化的建议。
假设你正计划一场旅行你向智能旅行问答助手提问“我该带些什么去泰国旅行”如果只有 GPT-4它可能会基于以往的数据提供一般性的建议如防晒霜、泳衣等。但配备了 LangChain 的问答系统它可以查询实时的天气预报 API了解当前泰国的季节和天气情况提供更精确的建议比如“泰国正处于雨季记得带上雨具和防潮包”。同样地如果你问“泰国哪里的垂钓体验最佳”LangChain 可以帮助连接到最新的旅行博客和垂钓爱好者论坛甚至直接查阅最近的旅行者评论给你提供最受推荐的目的地。
另一个例子如果你想要一个可以帮你总结长篇报告的工具单用 GPT-4 可能会因文章太长而无法处理。LangChain 提供的工具就像是设计用来构建复杂构造的专用乐高积木它可以帮你把长篇报告切分成小部分让 GPT-4 处理再将结果整合起来最终生成一个完整的摘要。
LangChain 主要概念
Langchain 主要提供了 6 大类组件帮助我们更好的使用大语言模型可以视为开源版的 GPT 插件提供了丰富的大语言模型工具可以在开源模型基础上快速增强模型的能力。想象一下你手中有一盒乐高积木但这不是普通的积木而是能够编程、交流甚至思考的智能积木。LangChain 就像是这样一盒特殊的积木盒里面装满了不同功能的积木块这些积木组件集成了数十种大语言模型、多样的知识库处理方法以及成熟的应用链几十种可调用的工具箱为用户提供了一个快速搭建和部署大语言模型智能应用程序的平台。 Models模型
LLMs大型语言模型
这些模型是 LangChain 积木盒中的基础积木。如同用乐高搭建房屋的地基LLMs 为构建复杂的语言理解和生成任务提供了坚实的基础。
Chat Models聊天模型
这些模型就像是为你的乐高小人制作对话能力。它们能够让应用程序进行流畅的对话好比是给你的乐高积木人注入了会说话的灵魂。
Text Embedding Models文本嵌入模型
如果说其他模型让积木能够理解和生成文本文本嵌入模型则提供了理解文本深度含义的能力。它们就像是一种特殊的积木块可以帮助其他积木更好地理解每个块应该放在哪里。
Prompts提示
Prompt Templates提示模板
想象一下你正在给乐高小人编写剧本告诉他们在不同场景下应该说什么。Prompt Templates 就是这些剧本它们指导模型如何回答问题或者生成文本。
Indexes索引
LangChain 通过 Indexs 索引允许文档结构化让LLM更直接、更有效地与文档互动。
Document Loaders文档加载器
这些就像是一个个小仓库帮助你的乐高世界中的智能模型存储和访问信息。Document Loaders 能够将文档加载到系统中方便模型快速查找。
Text Splitters文本分割器
有时候你需要将一大块乐高板分成几个小块来构建更复杂的结构。Text Splitters 可以将长篇文本拆分成易于处理的小块。
Vector Stores向量存储
这些是一种特殊的存储设施帮助你的乐高模型记住文本的数学表示向量。这就像是让积木块记住它们在整个结构中的位置。
Retrievers检索器
想象一下你需要从一堆积木中找到一个特定的小部件。Retrievers 能够快速在向量存储中检索和提取信息就像是乐高世界里的搜索引擎。
Memory记忆对话的连贯性
LangChain 通过 Memory 工具类为 Agent 和 Chain 提供了记忆功能让智能应用能够记住前一次的交互比如在聊天环境中这一点尤为重要。
Chat Message History聊天消息历史
最常见的一种对话内容中的 Memory 类这就好比是在你的乐高角色之间建立了一个记忆网络使它们能够记住过去的对话这样每次交流都能在之前的基础上继续使得智能积木人能够在每次对话中保持连贯性。
Chains链
Chain、LLM Chain、Index-related Chains
CHAIN 模块整合了大型语言模型、向量数据库、记忆系统及提示通过 Agents 的能力拓展至各种工具形成一个能够互相合作的独立模块网络。它不仅比大模型API更加高效还增强了模型的各种应用诸如问答、摘要编写、表格分析和代码理解等。 Chain 是连接不同智能积木块的基本方式而 LLM Chain 是最简单的 LLMPrompts 的一种 chain专门用于链接语言模型。Index-related Chains 则将索引功能集成进来确保信息的高效流动。
Agents代理
在 LangChain 的世界里Agent 是一个智能代理它的任务是听取你的需求用户输入和分析当前的情境应用场景然后从它的工具箱一系列可用工具中选择最合适的工具来执行操作。这些工具箱里装的是 LangChain 提供的各种积木比如 Models、Prompts、Indexes 等。
如下图所示Agent 接受一个任务使用 LLM大型语言模型作为它的“大脑”或“思考工具”通过这个大脑来决定为了达成目标需要执行什么操作。它就像是一个有战略眼光的指挥官不仅知道战场上的每个小队能做什么还能指挥它们完成更复杂的任务。
LangChain 中 Agent 组件的架构图如下本质上也是基于 Chain 实现但是它是一种特殊的 Chain这个 Chain 是对 Action 循环调用的过程它使用的 PromptTemplate 主要是符合 Agent Type 要求的各种思考决策模版。Agent 的核心思想在于使用 LLM 进行决策选择一系列要执行的动作并以此驱动应用程序的核心逻辑。通过 Toolkits 中的一组特定工具用户可以设计特定用例的应用。 Agent 执行过程AgentExecutor
AgentExecuter 负责迭代运行代理直至满足设定的停止条件这使得 Agent 能够像生物一样循环处理信息和任务。 观察Observation
在这个阶段代理通过其输入接口接收外部的触发比如用户的提问或系统发出的请求。代理对这些输入进行解析提取关键信息作为处理的基础。观察结果通常包括用户的原始输入或预处理后的数据。
思考Thought
在思考阶段代理使用预先设定的规则、知识库或者利用机器学习模型来分析观察到的信息。这个阶段的目的是确定如何响应观察到的情况。代理可能会评估不同的行动方案预测它们的结果并选择最合适的答案或行为。
在 LangChain 中这个过程可能涉及以下几个子步骤
1.理解用户意图使用 NLP自然语言处理技术来理解用户的问题是什么。
2.推断所需工具确定哪个工具或工具组合能解决用户的问题。
3.提取参数提取所需工具运行的必要参数。这可能涉及文本解析、关键信息提取和验证等过程。
行动Action
根据思考阶段的结果代理将执行特定的行动。行动可能是提供答案、执行任务、调用工具或者与用户进行进一步的交云。
在 LangChain 代理中这通常涉及以下几个子步骤
1.参数填充将思考阶段提取的参数填入对应的工具函数中。
2.工具执行运行工具并获取执行结果。这可能是查询数据库、运行算法、调用 API 等。
3.响应生成根据工具的执行结果构建代理的响应。响应可以是纯文本消息、数据、图像或其他格式。
4.输出将生成的响应输出给用户或系统。
Agent 推理方式AgentType
代理类型决定了代理如何使用工具、处理输入以及与用户进行交互就像给机器人挑选不同的大脑一样我们有很多种智能代理可以根据需要来选择。有的代理是为聊天模型接收消息输出消息设计的可以支持聊天历史有的代理更适合单一任务是为大语言模型接收字符串输出字符串而设计的。而且这些代理的能力也不尽相同有的能记住你之前的对话支持聊天历史有的能同时处理多个问题支持并行函数调用也有的只能专心做一件事适用于单一任务。此外有些代理需要我们提供一些额外信息才能更好地工作所需模型参数而有些则可以直接上手不需要额外的东西。所以根据你的需求和你所使用的模型你可以选择最合适的代理来帮你完成任务常见的代理类型如下
智能代理类型预期模型类型支持聊天历史支持多输入工具支持并行函数调用需要的模型参数何时使用API参考OpenAI Tools聊天型✅✅✅tools如果你使用的是较新的OpenAI模型1106及以后RefOpenAI Functions聊天型✅✅functions如果你使用的是OpenAI模型或者是经过微调以支持函数调用的开源模型并且暴露与OpenAI相同的函数参数RefXML大型语言模型✅如果你使用的是Anthropic模型或者其他擅长XML的模型RefStructured Chat聊天型✅✅如果你需要支持具有多个输入的工具RefJSON Chat聊天型✅如果你使用的是擅长JSON的模型RefReAct大型语言模型✅如果你使用的是简单模型推理观察再行动RefSelf Ask With Search大型语言模型如果你使用的是简单模型并且只有一个搜索工具追问中间答案的技巧who/when/howRef
Agent 与 Chain 的关系
如果说 Chain 是 LangChain 中的基础连接方式那么 Agent 就是更高阶的版本它不仅可以绑定模板和 LLM还能够根据具体情况添加或调整使用的工具。简单来说如果 Chain 是一条直线那么 Agent 就是能够在多个路口根据交通情况灵活选择路线的专业司机。
LangChain 实际案例人脸技术问题的智能排查助手
使用 LangChain 处理人脸识别问题的排查
随着人脸识别服务的线上线下日调用量和应用场景快速发展人脸识别团队正在面临一个巨大的挑战每天反馈到团队的各种识别问题的 case 过多排查起来费时费力为了快速诊断问题团队决定使用 LangChain 来构建一个智能排查助手。这个助手可以分析用户问题错误日志与人脸识别的 APIs 进行交互甚至生成修复建议。
在 LangChain 框架中工具Tools是用于解决特定问题的可调用的功能模块。它们可以是简单的函数也可以是更复杂的对象能够实现一项或多项特定任务。下面将详细介绍几种不同的工具定义及其在人脸识别问题排查过程中的应用。
首先我们需要导入依赖的函数主要来自各个现有日志系统的接口能够提取比对分黑名单读取人脸库大小等信息
from face_functions import (
extract_compare_scores,
extract_local_group_size,
extract_actual_group_size,
perform_logic_judgement,
search_by_exact_query,
search_by_fuzzy_query,
blacklist
)
zmng_query 工具
当用户遇到人脸比对失败的情况时人脸的日志系统都在 zmng 平台上我们现在通过 zmng_query 工具提取 UID根据 UID 查询相关的用户信息包括他们是否在黑名单上提取比对分数并获取机具端及实际的人脸库大小信息判断是什么原因识别不通过。
# 定义 zmng_query 工具的具体实现函数
def zmng_query(uid):# 实现查询 zmng 平台以获取与 uid 相关的错误详情# 查询可能包括黑名单状态、比对分数和 groupSize# 返回查询结果return 需要调用compare_scores_tool extract_local_group_size extract_actual_group_size blacklist_query perform_logic_judgement 这五个tool用于问题的排查输入# 创建 zmng_query 工具实例
zmng_query_tool Tool(namezmng_query,funczmng_query,description(当用户刷脸比对不通过需要确认是否为黑名单或其他原因时使用此工具。此工具能查询黑名单状态提取比对分数并获取机具端及实际的groupSize信息以便于准确诊断比对失败的原因。需要通过uid或zid进行查询这是一个9位数编码能唯一识别一个人。使用此工具时至少提供一个参数[uid]或[zid]。)
)
extract_compare_scores 工具
这个工具用于从日志文件中提取比对分数这对于诊断是人脸比对技术问题还是用户本身的问题非常关键。
compare_scores_tool Tool(nameextract_compare_scores,funcextract_compare_scores,description(当用户刷脸比对不通过时用于提取日志中的比对分数。)
)
extract_local_group_size 和 extract_actual_group_size 工具
这两个工具分别用于提取机具端和实际的人脸库大小groupSize。这项信息有助于判断是否所有必要的人脸数据都已经下发到机具端。
local_group_size_tool Tool(nameextract_local_group_size,funcextract_local_group_size,description(当用户刷脸比对不通过时用于提取日志中机具端的人脸库大小groupSize。)
)actual_group_size_tool Tool(nameextract_actual_group_size,funcextract_actual_group_size,description(当用户刷脸比对不通过时用于提取实际的人脸库大小groupSize。)
)
blacklist_query 工具
此工具用于查询指定用户是否在黑名单中这是人脸识别系统中的一项常见检查。
blacklist_query_tool Tool(nameblacklist_query,funcblacklist,description查询指定UID是否在黑名单中。
)
perform_logic_judgement 工具
根据比对分数和本地库与实际库的大小此工具能够给出比对不通过的分析结论。
logic_judgement_tool Tool(nameperform_logic_judgement,funcperform_logic_judgement,description根据比对分数和本地与实际库的大小给出比对不通过的分析结论。
)
在 LangChain 框架中tools 是一系列用于执行特定任务的函数或类的实例它们可以被智能代理Agent调用以完成用户请求。在提供的上下文中需要用到的 tool 已经定义好了
tools [compare_scores_tool, #当用户刷脸比对不通过时用于提取日志中的比对分数。local_group_size_tool, #当用户刷脸比对不通过时用于提取日志中机具端的人脸库大小groupSize。actual_group_size_tool, #当用户刷脸比对不通过时用于提取实际的人脸库大小groupSize。blacklist_query_tool, #查询指定UID是否在黑名单中。zmng_query_tool
]
将所有这些工具组装到一个列表中然后可以使用这个列表来初始化一个智能代理Agent该代理能够运行工具并与用户进行互动。在 LangChain 中智能代理负责管理用户的输入并决定调用哪个工具来处理特定的请求或问题。通过这种方式我们可以构建一个强大的、能够解决人脸识别相关问题的智能系统。
聊天模型实例化
LangChain 使用大型语言模型LLM如 GPT-4 来处理自然语言的理解和生成。在这里我们创建一个聊天模型实例这将允许我们的代理与用户进行自然语言交互
# LLM实例化
llm OpenAI(temperature0)
# 聊天模型实例化
chat_model ChatOpenAI(modelgpt-4, temperature0)
temperature 参数控制生成文本的创造性较低的 temperature 值例如 0 将导致更确定性和一致性的响应。
用户交互
一旦工具和聊天模型都被实例化我们就可以初始化智能代理。在 LangChain 中代理Agent是与用户进行交云的主体它使用上面定义好的 tools 和 LLM 来处理用户的输入并提供响应。
# 代理初始化结合工具和聊天模型
agent initialize_agent(tools, chat_model, agentAgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION, verboseTrue)
现在我们可以开始与用户的交互
print(您好有什么能帮助您? (输入 exit 结束对话))
while True:user_input input(You: )if user_input.lower() in exit, goodbye, quit:print(再见)break# 运行代理并获取当前用户输入的响应
response agent.run(user_input)# 打印出代理的响应
print(Agent:, response)
在这个交互式循环中智能代理会根据用户的输入运行相应的工具并使用聊天模型生成自然语言响应。这使得用户可以以对话方式提出问题并得到解答。
智能代理运行过程
在 LangChain 框架中智能代理Agent通常按照观察Observation- 思考Thought- 行动Action的模式来处理任务。这个模型相当于一个决策循环代理首先观察外部输入然后进行内部思考以产生相应的行动方案。下面详细解释这个技术链路和逻辑
#AgentExecutor的核心逻辑伪代码
next_action agent.get_action(...)
while next_action ! AgentFinish:observation run(next_action)next_action agent.get_action(...,next_action, observation)
return next_action
#实际AgentExecutor中的部分相关代码
for agent_action in actions:if run_manager:run_manager.on_agent_action(agent_action, colorgreen)# Otherwise we lookup the toolif agent_action.tool in name_to_tool_map:tool name_to_tool_map[agent_action.tool]return_direct tool.return_directcolor color_mapping[agent_action.tool]tool_run_kwargs self.agent.tool_run_logging_kwargs()if return_direct:tool_run_kwargs[llm_prefix] # We then call the tool on the tool input to get an observationobservation tool.run(agent_action.tool_input,verboseself.verbose,colorcolor,callbacksrun_manager.get_child() if run_manager else None,**tool_run_kwargs,)
完整的技术链路示例
我们构建了一个关于人脸识别的问答智能代理用户询问“为什么我的脸无法被系统识别”以下是这个代理按照 Observation-Thought-Action 模式处理此请求的过程
利用 LangChain 与人脸问答知识库进行交互
下面这些技术模块共同构成了一个基于 LangChain 与人脸知识库进行交互的系统。
模块 1: 问题与答案数据的加载
这个模块负责读取问题和答案对并将它们存储在一个字典结构中以便后续检索。
def load_qa_data(filepath):qa_data {}with open(filepath, r, encodingutf-8) as file:lines file.readlines()current_question Noneanswer_lines [] # 用于累积多行答案的列表for line in lines:if line.startswith(问题: ):if current_question:# 将之前问题的答案存储到字典中qa_data[current_question] .join(answer_lines).strip()# 去除问题: 部分并去除两端空白字符current_question line[len(问题: ):].strip()answer_lines [] # 为新的问题重置答案行列表elif current_question:# 这是一个答案的一部分可能不是第一行answer_lines.append(line.strip())# 不要忘记处理文件中的最后一个问题if current_question and answer_lines:qa_data[current_question] .join(answer_lines).strip()return qa_data
模块 2: 嵌入向量的生成和 Faiss 索引创建
Faiss 是 Facebook AI Research (FAIR) 精心打造的一款强大向量数据库专为高效执行相似性搜索和稠密向量聚类而设计。在处理大型数据集时表现尤为出色能迅速在海量向量中锁定与查询向量最为匹配的项极大地加速了搜索流程。无论是机器学习还是数据挖掘Faiss 都是一个不可或缺的工具常见的应用场景包括但不限于推荐系统、图像搜索和自然语言处理。
除了 FaissLangChain 支持的向量数据库范围广泛覆盖了多种语言和平台。这些数据库包括阿里云的 OpenSearch、AnalyticDB、Annoy、Atlas、AwaDB以及 Azure Cognitive Search、BagelDB、Cassandra、Chroma、Clarifai 等。此外还有 ClickHouse Vector Search、Activeloop’s Deep Lake、Dingo以及各种 DocArray 搜索能力如 DocArrayHnswSearch 和DocArrayInMemorySearch。ElasticSearch、Hologres、LanceDB、Marqo、MatchingEngine、Meilisearch、Milvus、MongoDB Atlas 和 MyScale 也在支持之列。OpenSearch 和 pg_embedding 也提供了优质的搜索服务。这些多样化的数据库选择使得 LangChain 能够在不同的环境和需求下提供灵活、高效的搜索能力。
OpenAIEmbeddings() 初始化
embeddings_model OpenAIEmbeddings()
这一行创建了一个 OpenAIEmbeddings 实例它是用来生成文本 embedding 的。这些 embedding 是高维向量可以捕捉文本内容的语义信息用于文本之间的相似性比较。
创建FAISS索引
#创建FAISS索引
def create_faiss_index(embedding_matrix):dimension embedding_matrix.shape[1] # 获取向量的维度index faiss.IndexFlatL2(dimension) # 创建基于L2距离的FAISS索引index.add(embedding_matrix.astype(np.float32)) # 向索引中添加向量return index
create_faiss_index 函数接受一个 embedding 矩阵通常是二维数组其中每行是一个向量初始化一个 FAISS 索引并将这些向量添加到索引中。这个索引后续将用于相似性搜索。
在 FAISS 索引中搜索
def search_faiss_index(query_embedding, index):query_embedding np.array(query_embedding).astype(np.float32) # 确保查询向量为float32类型_, indices index.search(np.array([query_embedding]), 1) # 在索引中搜索最相似的向量return indices[0][0] # 返回最相似向量的索引
search_faiss_index 函数获取一个查询向量和一个 FAISS 索引作为输入然后使用这个索引来找到与查询向量最相似的存储向量。函数返回最相似项的索引这通常用来在一个数据库或列表中检索具体项。
模块 3: 精确匹配查询
当用户提出一个特定的问题时这个功能会根据用户的输入在知识库中查找精确匹配的问题。
def search_by_exact_query(user_query):# 从文件加载问题和答案qa_data load_qa_data(filepath)# 获取答案并打印return(get_answer(qa_data, user_query))
模块 4: 模糊匹配查询
这个模块使用嵌入向量和Faiss索引来找到与用户查询最相似的问题并返回相应的答案。
1.初始化文本嵌入模型。 2.使用文本嵌入模型将文本转换为向量。 3.使用这些嵌入向量创建 FAISS 索引。 4.当用户提出查询时将查询文本也转换为嵌入向量。 5.使用 FAISS 索引找到最相似的嵌入向量。
def search_by_fuzzy_query(user_query):# 从文件加载问题和答案qa_data load_qa_data(filepath)# Get embedding vectors for all questions and convert to numpy arrayquestions list(qa_data.keys())question_embeddings_list embeddings_model.embed_documents(questions)question_embeddings np.array(question_embeddings_list)# Create the faiss indexfaiss_index create_faiss_index(question_embeddings)# # Prompt user for a query and processuser_query_embedding_list embeddings_model.embed_documents([user_query])user_query_embedding np.array(user_query_embedding_list[0])# Search the faiss index for the most similar questionclosest_question_index search_faiss_index(user_query_embedding, faiss_index)closest_question questions[closest_question_index]# Print the closest questions answerreturn(qa_data[closest_question])
search_by_exact 和 search_by_fuzzy 工具
在 tools 列表中增加 search_by_exact 和 search_by_fuzzy 两个工具能力其他逻辑不变
tools [Tool(namesearch_by_exact,funcsearch_by_exact_query,description当需要准确回答用户问题时使用此工具。使用时需提供参数[query]。如果查询为错误代码直接查询并返回对应的错误原因和解决方法如果观察结果显示有必要或可选发送邮件请调用send_email工具。),Tool(namesearch_by_fuzzy,funcsearch_by_fuzzy_query,description当需要回答用户问题时使用此工具。使用时需提供参数[query]。如果查询为错误代码直接查询并返回对应的错误原因和解决方法如果查询非错误代码可咨询此工具相关解决方案如果观察结果显示有必要或可选发送邮件请调用send_email工具。),send_email_tool, # Assuming definition is provided elsewherecompare_scores_tool,local_group_size_tool,actual_group_size_tool,blacklist_query_tool,zmng_query_tool
]
通过 LangChain 的灵活性和模块化这个能够自动化处理人脸识别问题的智能排查助手大大提高了问题诊断的效率并减轻了人工负担。
注意观察下面 agent 的 Observation Thought Action 三个阶段agent 会自动提取出 tool 需要的参数形成 action 智能体的快速发展
智能体的基本概念
智能体是什么
一句话总结Langchain 这个开发框架是为了让我们更容易更低成本的构建大语言模型的智能应用其中有自主行动能力能够思考跟外部环境/工具交互的叫 Agent智能体。
AI Agent 业界定义是具有环境感知、决策制定和行动执行能力的智能实体并且能够通过独立思考和工具调用来逐步实现既定目标。随着大型语言模型LLM的出现AI Agent 又被定义为基于 LLM 驱动的 Agent 实现对通用问题的自动化处理。当 AI Agent 被赋予一个目标时它能独立地进行思考和行动详细规划出完成任务所需的每一个步骤并通过外部反馈与自我思考来创建解决问题的 prompt。例如当要求 ChatGPT 购买咖啡时它可能会回应“无法购买咖啡因为它仅是一个文字型 AI 助手”。AI Agent 的关键特征包括自治性、知觉、反应能力、推理与决策能力、学习能力、通信能力以及目标导向性这些特性使得智能体能成为真正释放 LLM 潜能的关键它能为 LLM 核心提供强大的行动能力。
智能体的发展方向
智能体AI Agent的发展可谓是人工智能领域的一个重要里程碑。大语言模型不再局限于处理文本信息它们的能力正在扩展到与世界各种软件工具的直接交互中。通过调用 APIs这些模型现在可以获取信息、执行分析、生成报告、发送通知甚至访问网络访问数据库使其功能变得无比强大。这种变化让这些模型从单纯的文本处理者转变为真正的数字助理能够理解用户的需求并使用正确的工具为用户提供服务。
随着技术的发展大语言模型使用工具能力与日俱增。早期的模型可能需要明确的、结构化的指令才能正确调用几十个工具而现在部分模型可以根据目标自由的调用上万个工具并采取相应的行动。想象一下仅通过简单的对话你的智能代理就能为你预订餐厅、安排行程、购物甚至编程。这种灵活性和智能度的提升极大地增强了用户的体验。
另一个领域的进步是智能体正在从单一的智能代理到多代理系统的转变。初期一个代理只能单一地执行任务而现在多个代理能够同时工作协同完成更加复杂的任务。例如一个代理可以负责数据收集而另一个代理同时进行数据分析第三个代理则负责与用户沟通结果。这些代理之间的协同工作像是一个高效的团队每个成员都在其擅长的领域发挥作用。
同时智能代理与人类用户之间交互也在往更自然化的方向发展多代理系统工作过程中可以引入人类的决策。这种人机交互的深度使得智能代理不仅是工具的操作者更是人类的合作者。
正是这些技术进步塑造了我们今天所见证的智能体技术景观大语言模型在工具使用能力上的显著提升以及智能代理的发展为未来的可能性打下了坚实的基础。全球范围内新兴的智能体技术如 OpenAI 的 WebGPT 为模型赋予了利用网页信息的能力Adept 培养的 ACT-1 能独立于网站操作并使用 Excel、Salesforce 等软件谷歌的 PaLM 项目旗下的 SayCan 和 PaLM-E 尝试将 LLM 与机器人相结合Meta 的 Toolformer 探索使 LLM 能够自主调用 API而普林斯顿的 Shunyu Yao 所做的 ReAct 工作则结合了思维链 prompting 技术和“手臂”概念使 LLM 能够搜索并利用维基百科信息。随着这些技术的不断完善和创新我们有望完成更多曾经难以想象的任务开启智能体技术的崭新篇章。
智能体的分类 增强智能体的工具使用能力
智能代理和工具之间的关系可以类比为人类使用工具来完成任务的方式。就像人类使用锤子敲打钉子一样代理可以调用一个 API 来获取数据、使用翻译服务来翻译文本或者执行其他功能以协助或完成它们的任务。通过增强代理的工具使用能力它们能够执行更复杂、更精细的任务并在更广泛的场景中提供帮助。
最近一些开源的大语言模型能够自由地与各种外部工具交互比如 Toolformer、Gorilla、ToolLLama 等模型它们是一类设计为优化和改进代理工具使用能力的模型使代理更有效地与工具集成完成任务从而扩展 LLMs 的能力范围。
Gorilla
精准调用 1600 API 的智能体进步
Gorilla 是一个基于检索感知的 LLaMA-7B 大型语言模型也是一种基础的智能体它能够使用各种 API 工具。这个模型通过分析自然语言查询精准地找出并调用合适、语义语法均正确的 API从而提升了大型语言模型执行任务的能力和准确性。
Gorilla 的一个主要特点是它能够准确地调用超过 1600 个 API并且这个数量还在增长。这一成就展示了如何利用语言模型的理解和生成能力来扩展其在自动化工具使用上的潜力。为了进一步提高 Gorilla 的性能开发团队通过模拟聊天式对话对 LLaMA-7B 模型进行了微调让其能够更自然地与用户进行交流并生成相应的 API 调用。
此外Gorilla 也能够处理带有约束条件的 API 调用这要求模型除了理解 API 的基本功能外还必须能够识别和考虑各种参数约束。这一能力让 Gorilla 在处理特定要求的任务时显得更加智能和可靠。
在训练过程中Gorilla 不仅在无检索器的情况下学习还在有检索器的环境中进行训练以提升其适应和理解不断更新的 API 文档的能力。这种训练方式使得 Gorilla 不仅能响应用户的直接指令还能够针对检索到的相关 API 文档生成精确的调用指令减少了错误幻觉的发生。 总的来说Gorilla 不仅增强了语言模型在 API 调用和工具使用上的能力还提高了处理带约束任务的复杂性展现了智能体在自动化和人机交互方面的巨大潜力。
Gorilla-CLI提升命令行互动体验
Gorilla-CLI 是一个由加州大学伯克利分校开发基于 Gorilla 模型的提升命令行交互体验的工具它通过智能化的命令预测和补全使得命令行操作更加直观和高效。当开发者在终端中输入命令时Gorilla-CLI 能够根据上下文提示可能的命令补全甚至可以根据过去的操作模式预测下一步可能的命令从而加速开发流程。github.com/gorilla-llm…
安装步骤
#通过pip安装Gorilla CLI
pip install gorilla-cli# Gorilla命令生成示例
$ gorilla 从当前目录下找到qa.txt文件
# 命令建议:
find . -name qa.txt# Gorilla命令生成示例
$ gorilla 统计qa.txt文件中有多少个问题# Gorilla命令生成示例
$ gorilla 把qa.txt中的问题单独写到一个新的文件中
实验效果 ToolLLaMa实现 16000 API 的精准协同调用
ToolLLaMA 也是一个基于开源 LLaMA-7B 语言模型的框架旨在增强模型执行复杂任务的能力特别是遵循指令使用外部工具 API。通过扩展传统 LLMs 的功能ToolLLaMA 可以处理真实世界的应用场景这些场景需要结合多个 API 工具来完成任务。gorilla 5 月份刚发布 ToolLLaMa 8 月份就紧跟着发布了卷
ToolLLaMA 的关键特点在于支持大量的真实世界 API共 16464 个覆盖 49 个类别。这种丰富的 API 支持为用户提供了更多的工具选项以满足各种应用需求。ToolLLaMA 使用 ChatGPT 生成的指令调整数据集 ToolBench这些数据集包含单工具和多工具使用场景的指令使得模型能够学习如何解析和执行包含多个 API 调用的指令。
为了提高在这些复杂任务中的效率ToolLLaMA 采用了 DFSDT 算法它是一种基于深度优先搜索的决策树能够帮助模型在多个潜在解决方案中做出更好的选择。此算法增强了模型规划任务路径和推理的能力。
ToolLLaMA 训练了一个 API 检索器能够为给定的用户指令推荐合适的 API从而省去了手动筛选API的步骤使得整个使用流程更加高效。
在性能评估方面ToolEval 结果表明ToolLLaMA 在执行复杂指令及泛化到未见 APIs 方面的效果与封闭源码的高级模型 ChatGPT 相似。这一发现表明通过适当的训练方法和数据集开源 LLMs 能够实现类似于封闭源码LLMs的工具使用能力。ToolLLaMA 项目的代码、训练模型和演示都已在 GitHub 公开以促进社区的进一步发展和应用。
总体而言ToolLLaMA 不仅在 API 支持数量上超越了类似 Gorilla 的模型更在任务规划、API 检索和泛化能力上提供了新的优势这些都是推动开源 LLMs 在复杂应用场景中应用的重要因素。github.com/OpenBMB/Too… 安装步骤
#克隆这个仓库并导航到ToolBench文件夹。
git clone gitgithub.com:OpenBMB/ToolBench.git
cd ToolBench#安装包python3.9
pip install -r requirements.txt
#或者只为ToolEval安装
pip install -r toolbench/tooleval/requirements.txt#使用我们的RapidAPI服务器进行推理
#请首先填写表单审核后我们会发送给您toolbench密钥。然后准备您的toolbench密钥
export TOOLBENCH_KEYyour_toolbench_key
#对于ToolLLaMA要使用ToolLLaMA进行推理请运行以下命令
export PYTHONPATH./
python toolbench/inference/qa_pipeline.py \--tool_root_dir data/toolenv/tools/ \--backbone_model toolllama \--model_path ToolBench/ToolLLaMA-7b \--max_observation_length 1024 \--observ_compress_method truncate \--method DFS_woFilter_w2 \--input_query_file data/test_instruction/G1_instruction.json \--output_answer_file toolllama_dfs_inference_result \--toolbench_key $TOOLBENCH_KEY#如果想要尝试自己训练参考下面的流程
#准备数据和工具环境
wget --no-check-certificate https://drive.google.com/uc?exportdownloadid1XFjDxVZdUY7TXYF2yvzx3pJlS2fy78jkconfirmyes -O data.zip
unzip data.zip 数据预处理以G1_answer为例
export PYTHONPATH./
python preprocess/preprocess_toolllama_data.py \--tool_data_dir data/answer/G1_answer \--method DFS_woFilter_w2 \--output_file data/answer/toolllama_G1_dfs.json#训练代码基于FastChat。您可以使用以下命令使用我们的预处理数据data/toolllama_G123_dfs_train.json来训练2 x A10080GB的ToolLLaMA-7b的lora版本。对于预处理的细节我们分别将G1、G2和G3数据分割成训练、评估和测试部分并在我们的主要实验中合并训练数据进行训练
export PYTHONPATH./
deepspeed --master_port20001 toolbench/train/train_lora.py \--model_name_or_path huggyllama/llama-7b \--data_path data/toolllama_G123_dfs_train.json \--eval_data_path data/toolllama_G123_dfs_eval.json \--conv_template tool-llama-single-round \--bf16 True \--output_dir toolllama_lora \--num_train_epochs 5 \--per_device_train_batch_size 4 \--per_device_eval_batch_size 2 \--gradient_accumulation_steps 2 \--evaluation_strategy epoch \--prediction_loss_only \--save_strategy epoch \--save_total_limit 8 \--learning_rate 5e-5 \--weight_decay 0. \--warmup_ratio 0.04 \--lr_scheduler_type cosine \--logging_steps 1 \--source_model_max_length 2048 \--model_max_length 8192 \--gradient_checkpointing True \--lazy_preprocess True \--deepspeed ds_configs/stage2.json \--report_to none
实验效果
如果你正在计划一个给最好朋友的惊喜派对并希望为每位参加聚会的人提供一些鼓舞人心的话语那么可以使用 toolLLama 这样的语言模型它能够让你轻松地调用一个工具来生成或查找各种名人的励志名言特别是关于爱情、梦想和成功的话语。例如其中一个例子返回了“成功不是终点失败也不是致命的真正重要的是继续前进的勇气。”–丘吉尔
智能体的发展从单任务到多代理协同与人代理交互
随着人工智能技术的不断进化我们见证了智能体AI Agent的发展从只能执行单一任务的简单代理到如今能够进行多代理协同与人类代理交互的复杂系统。这种进步不仅拓宽了智能应用的边界使其能够在更加复杂的环境中同时处理多种任务还提升了与用户合作的能力共同做出更加精细化的决策。
我们正步入一个新纪元其中最新的开源大型语言模型LLMs能够自由地与多样化的外部工具交互完成更加丰富和复杂的任务。这不仅推动了AI技术的民主化还为社区驱动的创新和发展打开了新的大门。
尽管 LLMs 的智能和精准的提示输入提供了巨大优势但有效利用这些模型仍然需要用户掌握相应的技巧这已导致培训市场的出现。然而prompt 工程的复杂性也对普通用户的体验造成了挑战。AI 智能体作为能够感知环境、做出决策和执行动作的独立实体可能是解决这一挑战的关键。AI 智能体不仅能够自主完成任务也能够主动与环境交互。随着 LLMs 的发展AI 智能体为这些模型提供了实际行动力不仅仅是作为工具而是作为能够自动化处理通用问题的智能实体。通过释放 LLMs 的潜能AI 智能体将成为未来技术的关键驱动力。例如AutoGPT 将复杂任务分解为更易管理的子任务并生成相应的提示prompts。MetaGPT 将高级人类流程管理经验编码到智能体的提示中促进了多智能体之间的结构化合作。ChatDev 受到软件开发的经典瀑布模型的启发通过模拟一个虚拟软件公司的环境展示了智能体在专业功能研讨会中的合作潜力。在这个环境中多个智能体扮演不同的角色遵循开发流程通过聊天进行协作。
MetaGPT
MetaGPT 是由 Deep Wisdom 联合几个大学发布的一个基于大型语言模型LLMs专门为高效整合人类工作流程而设计的多智能体合作框架。通过将标准化操作程序SOPs编码到智能体的提示序列中 MetaGPT 简化了工作流程使智能体能够以类似于人类专家的方式来校验中间成果这有助于减少错误的发生。
在 MetaGPT 系统中智能体根据装配线原则被分配不同的角色以协同完成复杂任务。任务被分解为多个子任务每个子任务由相应的智能体负责。这种方法不仅提高了任务执行的一致性还提升了解决方案的质量。例如在软件工程的协作任务中MetaGPT 展现出了相较于传统基于聊天的多智能体系统更一致的解决方案生成能力。
广泛接受的 SOPs 在任务分解和有效协调中扮演了关键角色尤其是在确定团队成员职责和中间产物标准方面。在软件开发领域产品经理通常依据 SOP 来创建产品需求文档PRD这有助于指导整个开发过程。
MetaGPT 框架吸取了 SOPs 的重要经验并允许智能体生成结构化且高质量的需求文档、设计文档、流程图和界面规格。这种结构化的中间输出能够显著提升目标代码生成的成功率。MetaGPT 模拟了一个高度规范化的公司流程环境在这个环境中所有智能体必须严格遵守已确立的标准和工作流程。在角色扮演构架中智能体被分配了各种各样的角色以高效协同工作、分解复杂任务。这种角色扮演的设计有助于减少无效交流并降低大模型幻觉风险。
MetaGPT 通过编程促进编程programming to program的方法提供了一个有前景的元编程框架。智能体不仅是代码的执行者还主动参与到需求分析、系统设计、代码生成-修改-执行、以及运行时调试的全过程。每个智能体都拥有特定的角色和专业知识并遵循既定的标准。如此一来MetaGPT 成为了一种独特的解决方案在自动化编程任务中展现出巨大的潜力并推动了元编程的高效实现。 MetaGPT 接受单行需求作为输入并输出用户故事、竞争分析、需求、数据结构、API、文档等。 在内部MetaGPT 包括产品经理、架构师、项目经理和工程师。它提供了一个软件公司的整个流程以及精心编排的标准操作程序(SOP)。 代码 SOP (团队) 是其核心理念。我们将 SOP 具体化并将其应用到由大型语言模型(LLMs)组成的团队中。 在通信协议中智能体通过共享消息池发布和订阅结构化消息以此来协调工作和交换信息。这允许智能体根据自己的角色和任务需求获取相关信息并执行任务。 MetaGPT 中的工程师智能体可以生成代码运行代码检查错误。如果遇到错误智能体会查阅存储在记忆中的消息并将它们与产品需求文档、系统设计和代码文件进行对比以识别问题并进行修正。这一过程涉及迭代编程和可执行反馈使得智能体可以不断优化其解决方案。
整个软件开发过程图强调了 MetaGPT 对 SOPs 的依赖性。这些 SOPs 规定了从项目开始到完成的每一步确保智能体可以高效、系统地完成任务。 MetaGPT 实验流程
安装步骤
#步骤1确保您的系统上安装了Python 3.9或更高版本。您可以使用以下命令来检查
#您可以使用conda来初始化一个新的python环境
conda create -n metagpt python3.9
conda activate metagpt
python3 --version#步骤2克隆仓库到您的本地机器以获取最新版本并进行安装。
git clone https://github.com/geekan/MetaGPT.git
cd MetaGPT
pip3 install -e . # 或者 pip3 install metagpt # 用于稳定版本#步骤3设置您的OPENAI_API_KEY或确保它已经存在于环境变量中
mkdir ~/.metagpt
cp config/config.yaml ~/.metagpt/config.yaml
vim ~/.metagpt/config.yaml#步骤4运行metagpt命令行工具
metagpt Create a 2048 game in python#步骤5 [可选]如果您想要保存工作区中的产物如象限图、系统设计、序列流程图等可以在执行步骤3之前执行此步骤。默认情况下框架是兼容的整个过程可以完全不执行此步骤而运行。
如果执行请确保您的系统上安装了NPM。然后安装mermaid-js。如果您的计算机中没有npm请前往Node.js官方网站安装Node.js https://nodejs.org/然后您的计算机中将有npm工具。
npm --version
sudo npm install -g mermaid-js/mermaid-cli
运行过程
实验效果 ChatDev
ChatDev 是 OpenBMB 联合清华大学 NLP 实验室共同开发的大模型全流程自动化软件开发框架它模拟了一家虚拟软件公司由担任不同职能的多个智能代理运作包括首席执行官CEO、首席产品官CPO、首席技术官CTO、程序员、审查员、测试员和设计师。这些智能代理构成了一个多代理组织架构并共同致力于一个使命“通过编程革新数字世界。” 在 ChatDev 中代理们通过聊天参与研讨会协作涵盖设计、编码、测试以及文档撰写等多种专业任务。
ChatDev 的主要目标是提供一个易于使用、高度可定制和可扩展的框架该框架基于大型语言模型LLMs旨在成为研究集体智能的理想场景。github.com/OpenBMB/Cha… ChatDev 通过模拟软件开发的瀑布模型实现了智能的分阶段、分聊天的协作。每个阶段包含多个原子聊天而在每个聊天中两个扮演不同角色的智能体通过任务导向的对话来协同完成子任务。这个流程不仅包括了智能体之间基于指令的互动还包括了角色专业化、记忆流、自省等机制以确保智能体能够高效、准确地执行任务并持续优化决策过程。 角色专业化使每个智能体都能在对话中有效地扮演其指定的角色比如程序员、审查员等。记忆流记录了聊天中的对话历史使智能体在做决策时有足够的上下文信息。自省机制则是在达成共识的情况下让智能体反思并验证决策确保没有违反终止条件。 在编码和测试阶段为了减少代码幻觉——即智能体生成与现有代码库不一致的代码——ChatDev 引入了思维指令机制。智能体通过角色交换明确询问或解释代码中的具体问题这样可以更精确地定位问题所在并通过更具体的指令指导程序员修复问题。这种机制加强了智能体对代码的理解提高了编程和测试的准确性。
ChatDev 实验流程
安装步骤
克隆GitHub仓库使用以下命令开始克隆仓库
git clone https://github.com/OpenBMB/ChatDev.git设置Python环境确保你有一个3.9或更高版本的Python环境。你可以使用以下命令创建并激活这个环境将ChatDev_conda_env替换为你喜欢的环境名称
conda create -n ChatDev_conda_env python3.9 -y
conda activate ChatDev_conda_env安装依赖项移动到ChatDev目录并通过运行以下命令安装必需的依赖项
cd ChatDev
pip3 install -r requirements.txt设置OpenAI API密钥将你的OpenAI API密钥作为环境变量导出。将your_OpenAI_API_key替换为你实际的API密钥。记住这个环境变量是会话特定的所以如果你打开一个新的终端会话你需要再次设置它。在Unix/Linux系统上
export OPENAI_API_KEYyour_OpenAI_API_key构建你的软件使用以下命令开始构建你的软件将[description_of_your_idea]替换为你的想法描述将[project_name]替换为你想要的项目名称在Unix/Linux系统上
python3 run.py --task [description_of_your_idea] --name [project_name]运行你的软件一旦生成你可以在WareHouse目录下的特定项目文件夹中找到你的软件例如project_name_DefaultOrganization_timestamp。在该目录下使用以下命令运行你的软件在Unix/Linux系统上
cd WareHouse/project_name_DefaultOrganization_timestamp
python3 main.py
# 安装完成后我们创建了一个字谜游戏:
python3 run.py --task 创建一个猜英文字谜的游戏 --name puzzle# 可视化智能代理对游戏的生成过程:
python3 visualizer/app.py
运行过程 ChatDev 包含一个仓库warehouse目录上面的命令会先在该目录下创建一个名为 puzzle 的项目目录。
游戏效果 可视化游戏生成过程
ChatDev 中项目的创建和开发过程涉及多个团队成员或角色之间的协作他们通过对话的方式来生成语言模型的 prompts促进项目的进展。团队成员通过聊天界面编写代码、讨论问题、想法和解决方案。这个项目的创建过程可以通过visualizer进行回放。 MetaGPT 和 ChatDev 的异同
MetaGPT 和 ChatDev 都支持自动化软件开发但在架构设计、技术实现、支持功能等方面存在一些差异。
功能特点MetaGPTChatDev流程标准化标准化操作程序聊天链任务解决模式按指令操作智能体间通信架构设计系统接口—①缓解代码幻觉—思维指令艺术设计—文字到图片设计师记忆上下文检索短时记忆共享消息共享智能体层面广播阶段层面传递版本管理—Git自动化测试—②解释器反馈自然语言文档产品需求文档用户手册
①MetaGPT 通过序列流程显式设计架构而 ChatDev 的架构设计是通过生成性基础模型隐式实现的。
②截至 2023 年 9 月 19 日MetaGPT 的官方代码库目前不支持软件开发的自动化测试。
各种智能体在快速发展 全球范围内多个AI智能体产品如 AiAgent.app 和 GPT Researcher 已被推出并在媒体报道、行业分析、研究助理等领域获得成功应用。这些智能体设计得足够灵活能够调用软件应用和硬件设备大大提升了工作效率和便利性。尽管AI智能体的发展时间短暂它们迅速在各行业中得到认可。随着大型语言模型LLMs的多模态能力和计算力的增强早年提出的智能体理念得以迅速实现并广泛应用于多个领域。各种开源AI智能体的出现加速了技术供应商和创业团队引入智能体的步伐并帮助更多组织认识到并接受了AI智能体的概念这可能成为 LLMs 落地的主要模式并助力多个行业更好地利用 LLMs。
结语
LangChain 为大型语言模型提供了一种全新的搭建和集成方式正如乐高积木提供了无尽的创造可能。通过这个强大的框架我们可以将复杂的技术任务简化让创意和创新更加易于实现。在第一篇的内容中我们穿越了 LangChain 的世界体验了如同搭建乐高积木般构建语言模型应用的乐趣。从 LangChain 的核心概念到其在现实世界中人脸问题的智能排查应用我们见证了这一框架如何助力智能体的创新与成长。
在第二篇的内容中我们讨论了智能体的发展目前主要呈现两大方向。首先我们看到了诸如 Gorilla 和 ToolLLaMa 这样的进步它们通过增强大型语言模型LLMs本身的工具使用能力为我们带来直观、高效的互动体验。这些工具的发展将大语言模型的潜力发挥到极致为智能体提供了更为强大的支持功能。
另一方向是多代理协同像 MetaGPT 和 ChatDev 这样的系统展示了通过多智能体的合作可以如何高效解决问题。这种多代理模式模拟了人类团队工作的方式每个智能体扮演特定的角色共同完成任务。这不仅提高了任务执行的效率也开启了智能代理未来无限的可能性。
随着技术的不断进化智能代理正在从单一任务执行者转变为能够协同工作的团队成员。这一转变不仅扩大了智能体在各行各业中的应用范围也为未来出现的人与智能体之间的互动提供了基础。让我们携手前进共同迎接智能体技术带来的充满惊喜的新时代。
如何学习大模型
现在社会上大模型越来越普及了已经有很多人都想往这里面扎但是却找不到适合的方法去学习。
作为一名资深码农初入大模型时也吃了很多亏踩了无数坑。现在我想把我的经验和知识分享给你们帮助你们学习AI大模型能够解决你们学习中的困难。
我已将重要的AI大模型资料包括市面上AI大模型各大白皮书、AGI大模型系统学习路线、AI大模型视频教程、实战学习等录播视频免费分享出来需要的小伙伴可以扫取。 一、AGI大模型系统学习路线
很多人学习大模型的时候没有方向东学一点西学一点像只无头苍蝇乱撞我下面分享的这个学习路线希望能够帮助到你们学习AI大模型。 二、AI大模型视频教程 三、AI大模型各大学习书籍 四、AI大模型各大场景实战案例 五、结束语
学习AI大模型是当前科技发展的趋势它不仅能够为我们提供更多的机会和挑战还能够让我们更好地理解和应用人工智能技术。通过学习AI大模型我们可以深入了解深度学习、神经网络等核心概念并将其应用于自然语言处理、计算机视觉、语音识别等领域。同时掌握AI大模型还能够为我们的职业发展增添竞争力成为未来技术领域的领导者。
再者学习AI大模型也能为我们自己创造更多的价值提供更多的岗位以及副业创收让自己的生活更上一层楼。
因此学习AI大模型是一项有前景且值得投入的时间和精力的重要选择。
