中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

近期閱讀了Anthropic發布的最新文章《Building effective Agents》, 文章分享了他們對于如何高效構建Agents的相關思考, 看完后獲得了一些收獲, 與你分享。

01 Anthropic 對 Agent 的定義

Agent是一個架構或者是系統

它即被定義為一個能夠較長時間自主獨立運行，通過調用各種工具來完成復雜任務的自主系統，也被定義為通過遵循預定義工作流的預設系統。

所以Anthropic對Agent系統進行了兩類劃分：

1. Agents： 根據任務復雜程度，由LLM動態決定處理流程來自動完成任務，適用于“開放性與創造性場景”，如智能客服助理：能夠根據客戶提出的多樣化問題，動態選擇合適的知識庫和工具，提供個性化的解決方案。

2. Workflow： 基于預設的編排路徑，在每個節點中準確地調用LLM節點和相關工具節點，從而完成復雜任務，適用于“標準化與流程化場景”，如客戶評論批量處理：通過預設的工作流程收集客戶評論，判斷評論的情緒，再自動生成評論的回復文案。

02 Workflow的構建方法

1. Prompt chainning (提示鏈編排)

定義：提示鏈的方法是將任務分解為多個子任務，每一個節點輸入的信息都是前一個節點的輸出內容。

典型場景：復雜文本生成，首先生成主題的大綱內容，然后檢查大綱是否符合標準，接著根據大綱內容逐段撰寫，每一段都基于前面的內容，以確保主題連貫的一致性。

2. Routing (路由編排)

定義：路由的編排方式，類似于Coze的意圖識別節點，能夠將輸入的信息進行分類，并將其定向專到特定的處理路徑節點。

典型場景：智能客服系統，當用戶提出問題時，系統先判斷問題的意圖，再將其分流至響應的回復模塊，比如： 訂單查詢，技術支持，功能說明，投訴建議等處理路徑。

3. Parallelization (并行編排)

定義：并行編排的方式是將LLM同時處理同一項任務，并在聚合器中整合輸出結果，從而提高任務處理的準確性和全面性。

如圖所示，開始節點為用戶輸入的信息，將用戶輸入的信息同時輸入至三個大語言模型節點進行并行處理，并將每個節點的輸出結果進行聚合匯總，最終進行整體輸出。

典型場景：內容合規審查，多個大語言模型分別檢測內容中是否存在違規，敏感或不良信息，再由聚合器進行綜合判斷，以提高審核的可靠性。

并行編排的優勢：

• 將復雜任務拆分為子任務后，不僅提高輸出質量，同時通過并行處理的方式，能夠提升輸出的響應速度
• 支持同一個任務多次獲得不同的輸出結果，在聚合器中選擇重復輸出最高的結果為最終輸出的內容，能夠有效提升輸出信息的可信度

4. Orchestrator-workers (協調器編排)

定義：協調器編排的方式是由前置的大語言進行動態的任務分解，并將分解后的子任務派給其他的大語言模型進行處理，最終通過整合子任務輸出結果的方式，進行最終答案的輸出。

這個編排結構是不是很像路由編排與并行編排的結合體，他們之間還是有很多本質差異的，比如和路由編排的差異在于：

Routing(路由編排)主要是一種分類機制，對輸入的任務請求進行分類，然后再將其導向專門的任務處理流程，核心是做子流程的分離，使不同類型的任務能夠被高效地分配到最適合處理的路徑上，提高系統的整體效率 (適用于明確不同任務類型的場景)。

Orchestrator-workers(協調器編排)核心是由模型對復雜任務進行動態拆解與分配，適用于任務復雜，且任務的執行順序不可預測的使用場景。

典型場景：合同審查，前置的大語言模型將合同審查任務拆解為： 條款識別，風險評估，合規性審查，修改建議等多個子任務，并將這些子任務分配給擅長處理響應任務的垂直模型，最后再通過大語言模型將輸出內容進行整合，生成全面的審查報告

03 Agent設計原則

最后和大家分享一下Anthropic總結的Agent編排原則，我認為有價值的原則有兩點/

原則一，優先用最簡單的方式搭建，減少Agent架構的復雜性

這一點與做產品類似，先基于需求做最簡單的MVP，不需要一上來就構建非常復雜的工作流，系統越復雜，不僅輸出的時長更久，而且成本也更高，所以優先用簡單的方式來搭建，去解決核心需求/

原則二，將Agent規劃執行的步驟展示給用戶，從而增加系統的可理解性和可信度

比如協調器的編排方式，可以讓用戶直觀地查看自動分解的任務結果和任務推理過程，從而增強輸出內容的可信度。

參考資料

Building effective Agents，from： Anthropic

Url：https：//www.anthropic.com/research/building-effective-agents