白皮书详细介绍了生成式人工智能智能体(Agents)相关内容,包括其定义、组件、工作原理、工具类型、应用案例、提升模型性能的方法以及在生产环境中的应用等,为理解和应用Agents提供了全面的指导。
Agents概述
Agents是一种结合推理、逻辑和外部信息访问能力的程序,能通过使用工具来实现目标,其行为由模型、工具和编排层等组件驱动,与生成式AI模型紧密相连,扩展了模型的能力。
核心组件
模型:作为集中决策者,可使用一个或多个不同规模的语言模型,需根据应用需求选择合适模型,并可通过示例进一步优化。
工具:弥补模型与外部世界交互的不足,包括Extensions、Functions和Data Stores三种类型,能让Agents执行更多样任务,如更新数据库、获取信息等。
编排层:负责管理Agents的信息处理、推理和决策过程,其复杂程度因任务而异,通过循环执行信息摄入、规划、执行和调整等步骤来实现目标。
工作原理
Agents通过认知架构运作,类似厨师做菜的过程,包括收集信息、推理规划、采取行动和调整优化等步骤,不断循环直至达成目标。其中,编排层利用如ReAct、Chain -of -Thought、Tree -of -Thoughts等推理框架来指导推理和规划。
工具类型
Extensions:标准化地连接Agents与API,通过示例教会Agents使用API端点及所需参数,Agents根据模型和示例在运行时选择合适的Extension,谷歌提供了一些开箱即用的扩展,如Code Interpreter。
Functions:模型输出函数及其参数,在客户端执行,适用于API调用需在应用栈其他层、受安全或认证限制、有时间或操作顺序约束、需额外数据转换逻辑或开发者想迭代代理开发等情况,能让开发者对数据流程和系统执行有更精细的控制。
Data Stores:以向量数据库形式实现,存储数据的向量嵌入,为模型提供实时、动态和最新信息,在检索增强生成(RAG)应用中广泛使用,能让Agents通过向量搜索匹配用户查询与数据存储,检索原始内容并进一步处理。
应用案例
以旅游预订助手为例,Agents可利用Functions生成结构化数据(如JSON格式的城市列表),供客户端应用调用Google Places API获取相关图像等信息,展示了Agents在处理复杂客户端执行流程中的作用。
提升模型性能
通过上下文学习、基于检索的上下文学习和微调学习等方法,帮助模型在生成输出时更好地选择合适工具,这些方法各有优劣,结合使用可发挥优势、减少劣势。
生产环境应用
Google的Vertex AI平台为生产级应用提供支持,开发者可通过自然语言界面定义Agents的关键元素,平台还提供开发工具用于测试、评估、调试和改进Agents,简化了构建和优化Agents的过程。
免责声明:我们尊重知识产权、数据隐私,只做内容的收集、整理及分享,报告内容来源于网络,报告版权归原撰写发布机构所有,通过公开合法渠道获得,如涉及侵权,请及时联系我们删除,如对报告内容存疑,请与撰写、发布机构联系