AI知识库

53AI知识库

学习大模型的前沿技术与行业应用场景


AI 进阶实战 | 走进大模型(LLM)+智能体(Agent)+提示词(Prompt)
发布日期:2024-08-15 07:06:40 浏览次数: 1848 来源:每天译点晓知识


前言

人工智能(AI)不再只是科幻电影中的桥段,而是正以前所未有的速度改变着我们的世界。随着大规模语言模型(LLM)系列的崛起,结合高度智能的(Agent)与精心设计的(Prompt),AI 技术正步入一个全新的进阶实战阶段。

本文将带您深入探索这一前沿领域,揭秘如何运用 LLM 大模型、智能体 Agent 与提示词 Prompt,共同编织出未来智能生态的宏伟蓝图。

与你一起解锁 LLM 大模型+智能体 Agent +精妙 Prompt:实战进阶,重塑未来智能生态!
【打造一款带记忆功能的AI智能通用问答产品】

No.1 实操环境准备

PyCharm 编辑器+Python 编程神器 Jupyter Notebook(可以在线调试-便捷)

FastAPI(极简、快速、高性能Web框架)+redis(数据缓存、存储服务)

pip install fastapi uvicorn openai redis

设置如上-会话存储的 hash 结构:具体的 value 即回答的 N 条真实记录(可结合实际会话ID进行关联),到这里准备工作就已经完成了。


No.2 项目工程搭建

建立 Python Project:这里 LLM 采用 KIMI(moonshot):

模型版本选择(moonshot-v1-32k)+ 精妙提示词(prompt)设定(高质量的提示词可以帮助模型理解人类的目标,换言之人类直接向模型提出命令或一条通向目标的推理路径。设计一个更有效的交互策略,使得模型生成的内容能符合人的意图和需求

输入如下命令,启动开发服务器并在代码变更时自动重新加载。

uvicorn main:app --reload --host 127.0.0.1 --port 8888

这样,就能够提供对外的 API 接口出来了,接口调用效果如下:

当然,我们也可以使用 Restlet Client 进行 Rest API Testing:


No.3 智能问答调试

这里,我们给定一些日常话题来看看咨询效果:

因为在之前调试的时候,有些问题已经有了记忆属性,但还是能够看出 AI 可以精准理解我们的输入意图。

对应在 Jupyter Notebook 中的回答效果如下:

看到这里,想必大家对线上众多智能体产品使用体验,不再感觉很神秘了吧。
我们来将提问 结合语义、语境升华 一下:

接下来,以一个真实案例嵌入:多语-国际化,这里选择一个在多语言环境存在不一样词性的词。


输入请帮我用中文繁体翻译下这段话:

即将发布一个带有新发型妆造的广告

对应 Jupyter Notebook 回答:可以看出对“发”这个词依旧准确地给出了答案

诚然,Encoder-Decoder的过程:从信息的压缩与抽象->信息的还原与创造。

Encoder 它能够将图像、文本等复杂数据转换成高维向量空间中的特征表示,这些特征既保留了原始数据的核心信息,又便于后续的模型处理与理解。
Decoder 它负责将 Encoder 处理后的数据还原回人类可理解的形式,无论是文字、图像还是声音,并且它还能在解码过程中融入创造力,通过生成对抗网络(GANs)等先进技术,生成全新的、逼真的内容,如高清图像、逼真语音等。
Encoder-Decoder 架构,这一架构在机器翻译、语音识别、图像生成等众多领域展现出了惊人的能力。以机器翻译为例,输入源语言的句子经过 Encoder 编码成一系列向量,再由 Decoder 解码成目标语言的句子,整个过程流畅自然,几乎达到了人类翻译的水平。
在自动驾驶领域,Encoder-Decoder 架构也被广泛应用于环境感知与决策制定。车辆通过摄像头、雷达等传感器收集到的海量数据,经过 Encoder 处理后提取关键信息,再由 Decoder 转化为车辆的控制指令,实现安全高效的自动驾驶。

Ok,now,那我们来继续检测一下上下文联想效果:看看之前咨询的问题,在其背后是如何经过决策并将答案呈现至用户眼前的?

*温馨提示*:上述case经过多次调试-调优过程,对背后技术实现原理感兴趣的可后台私信一起探讨><


【末尾彩蛋】

task1:采用 RAG(Retrieval-Augmented Generation)理念。
我们首先将历史对话记录整合进知识库。接着,通过嵌入技术(embedding)处理这些记录,并将它们存储于向量数据库(vector store)中。
在接收到查询(query)时,系统会执行搜索匹配,筛选出与查询最相关的文本片段。这些文本片段随后将与查询一同提交给大型语言模型(LLM),以生成回答。
task2:保持对话连贯性、最新信息的实时性。此外,系统会分阶段对对话进行汇总,但最近N条记录将保持独立,不进行汇总,直接用于 LLM 的回答过程中。这样的设计旨在保持对话的连贯性,同时确保最新信息的实时性。


53AI,企业落地应用大模型首选服务商

产品:大模型应用平台+智能体定制开发+落地咨询服务

承诺:先做场景POC验证,看到效果再签署服务协议。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

与创始人交个朋友

回到顶部

 
扫码咨询