话题AI工程 › AI Agent

AI工程:AI Agent

AI Agent 是通过工程化的手段,为大语言模型提供了获取外部工具、知识的能力。他是介于人类、大语言模型之间的代理。当用户向 AI Agent 输入问题时,AI Agent 可以使用大语言模型作为推理引擎,将一个复杂的任务进行分解、给出任务执行规划。之后 Agent 会调用外部工具获取结果,并将大语言的上次推理和工具调用结果返回给大语言模型,让大语言模型继续思考、规划。如此循环,直到将一个复杂的任务完成。

AI Agent 在 1688 电商平台中的应用

L40S相对低成本高显存的特性下,可以充分利用推理卡资源,保证在线上的良好性能和水平扩展性。通过技术优化和部署策略,推理系统的效率和用户体验得到显著提升。

手猫助手Agent技术探索总结

随着LLM的发展,ChatGPT能力不断增强,AI不断有新的概念提出,一种衍生类型的应用AI Agent也借着这股春风开启了一波话题热度。本文就手猫在探索Agent能力和智能助手业务结合过程、技术侧遇到的问题、想法和实践做简单总结。

面向AI的开发:从大模型(LLM)、检索增强生成(RAG)到智能体(Agent)的应用

随着技术的快速进步,如何更高效地利用这些大模型(LLM)来解决具体问题?如何通过检索增强生成(RAG)技术提高信息的准确性和相关性?以及如何设计能够有效集成LLM、RAG和其他AI技术的智能体?

AI Codereview 到 Codereview Agent 的再次升级

本文从 Codereview 场景出发,介绍了从最简单的直接调用 API 到使用 RAG 增加代码块的上下文,最终到使用 Function Calling 构建 Codereview Agent。

京东商家智能助手:Multi-Agents 在电商垂域的探索与创新

如何构建 AI 版商家运营团队?

Agent调研--19类Agent框架对比

目前,开源的Agent应用可以说是百花齐放,本文挑选了热度和讨论度较高的19类Agent,基本能覆盖主流的Agent框架,每个类型都做了一个简单的summary、作为一个参考供大家学习。

从API到Agent:万字长文洞悉LangChain工程化设计

本文作者试着从工程角度去理解LangChain的设计和使用。大家可以将此文档作为LangChain的“10分钟快速上手”手册,希望帮助需要的同学实现AI工程的Bootstrap。

高德导航播报在多Agent智能体架构上的工程实践

多Agent框架能解决不同算法不同模型之间融合交互的问题,基于用户反馈进行模型优化提升播报效果

深入浅出LangChain与智能Agent:构建下一代AI助手

‍LangChain为大型语言模型提供了一种全新的搭建和集成方式,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。本文从LangChain是什么到LangChain的实际案例到智能体的快速发展做了全面的讲解。

LangChain原理学习笔记

本文将分享LangChain的最佳实践。

Qunar开发助手大揭秘:覆盖公司九成开发,提升研效的秘密武器

覆盖公司九成开发,提升研效的秘密武器。

云音乐 AI Agent 探索实践

本篇文章介绍了大语言模型时代下的 AI Agent 概念,并以 LangChain 为例详细介绍了 AI Agent 背后的实现原理,随后展开介绍云音乐在实践 AI Agent 过程中的遇到的问题及优化手段。

当虚拟人学会玩“狼人杀”:一次由大模型带来的智能体变革

2022年12月19日,Twitch上出现了一个名为“vedal987”的新直播频道。该频道没有真人主播,只有一个可爱的二次元女孩形象在屏幕上移动和说话。她自称为Neurosama,是一位人工智能VTuber。

从那天起,她开始了自己的直播生涯,并迅速获得了大量关注和支持。与传统基于动作捕捉的中之人范式的虚拟主播不同的是,Neuro完全是由人工智能驱动的,准确来说是由背后大语言模型驱动的。

LangChain+通义千问+AnalyticDB向量引擎保姆级教程

本文以构建AIGC落地应用ChatBot和构建AI Agent为例,从代码级别详细分享AI框架LangChain、阿里云通义大模型和AnalyticDB向量引擎的开发经验和最佳实践,给大家快速落地AIGC应用提供参考。

拥有自我意识的AI:AutoGPT

与传统的文本生成技术相比,我们发现AutoGPT的能力进化令人震惊,它可以通过分析你的目标,自动拆解成它需要执行的任务,并在执行的过程中根据已有的经验和决策不断优化完善和总结。

How We Improved Agent Chat Efficiency with Machine Learning

随着聊天的持续增长和新的内部工具的出现,帮助我们的代理更有效率和生产力是确保为我们的用户提供更快的支持时间并进一步扩大聊天规模的关键。

从对另一个第三方工具的使用情况进行分析,以及进行一些观察,我们意识到建立一个基于模板的功能不会有帮助。我们需要提供个性化的功能,因为我们的消费者支持专家关心他们的写作风格和语气,而使用模板往往让人觉得是机器人。

我们决定建立一个机器学习模型,称为SmartChat,它通过利用几个内部数据源提供上下文建议,帮助我们的聊天专家更快地打字,从而为更多的消费者服务。

在这篇文章中,我们将解释从问题发现到设计迭代的过程,并分享该模型是如何从数据科学和软件工程角度实现的。

首页 - Wiki
Copyright © 2011-2025 iteam. Current version is 2.144.0. UTC+08:00, 2025-07-05 04:56
浙ICP备14020137号-1 $访客地图$