我要投稿

智能体开发快速上手

发布日期：2024-09-13 11:33:08 浏览次数： 1755 来源：清熙

现在这个AI的时代狂潮下，所有人都将面临新的机遇与挑战。近年来，大语言模型（LLM）如火如荼地崭露头角，引发了全球范围内的深度研讨和专业开发。然而，单一大模型的知识局限性以及其潜在的提示误导和幻觉问题，使得其在实际应用中的推广步履维艰。为了充分发挥LLM的潜力，实现其在现实场景中的有效应用，智能体这一概念应运而生。

智能体的引入，不仅能够扩大LLM在实际应用场景中的适应性，也有助于进一步提升其解决问题的能力。通过对智能体的不断研究和开发，我们可以使其更好地理解和解释LLM的输出，减少错误输出的产生，从而达到更精准的决策。

在我们对智能体有了基础的了解之后，让我们今天来深入探讨一下VectorShift（VS）这款产品。VS是一个独特的图形化编程平台，专为智能体的各种模块和功能设计。这个平台的强大之处在于，即使没有专业的编程能力，只要你对智能体的工作流程有所了解，就可以利用VS独立完成一个智能体的构建。

在这一过程中，你不需要对读取私域知识的Retrieval Augmented Generation (RAG) 技术有多么深的了解，也不需要只要词嵌入模型Embedding Model是如何把你的文本向量化并储存在某个数据库中，当然你也许得知道选用哪个词嵌入模型是适合中文的，如果你准备设定一个中文的私域知识的话。VS平台帮助我们把技术都抽象成了易于理解的图像模块。

因为VS是英文产品，下文中，我会用Agent指代智能体。

接下来我将试着操作，并从零搭建一个基于私域知识的小助手工具：

首先进入VS官网: https://vectorshift.ai

Get Started! 笔者这里使用了自己的Gmail登录。VS也提供了Github账号登录的选项。

进入页面后，可以看到左边工具栏，已经配置了一系列丰富的内容，本篇我们只涉及到Pipeline，File以及Knowledge两项，目标是自建一个属于自己的数据库。

我们这边简单编辑一下我们的knowledge base，我们这边就选用最新的特朗普遇刺事件的维基百科内容作为我们的knowledge base。

简单的Ctrl+A复制所有内容到txt文件并上传：

然后我们到knowledge栏，自建我们的Knowledge Base，随便取一个名字，Chunk size以及Chunk overlap都是Text splitter的基本属性设定，这里选用默认值即可，Embedding Model也选用OpenAI自带的即可：

新建完了Knowledge Base之后，我们需要把刚刚上传的knowledge文件给嵌入到Knowledge Base之中：

好了！我们可以来建立我们的Agent了！点击pipeline->create pipeline，我们会发现已经有很多模板template可供选择，我们的目标是要agent针对我们的知识库，即特朗普刺杀事件进行回答，所以我们简单的选用【search a knowledge base template】。之后我们的页面如下:

可以看到，每个Agent必不可少的模块流程都已经架构完毕，只待填入我们期望的内容，因为我们已经创建了自己的Knowledge Base，我们把自己的Knowledge Base输入到knowledge base 模块，然后点击右上角的播放图标进行Agent的部署，并进入Chatbot模式。然后我们提问，特朗普是什么时候被刺杀的？

非常完美！

必须要注意的是，To C来说，VS会赠送新注册用户1美元的GPT credit，每次对Agent的问答都会产生相应的花费，当然，你也可以使用自己的API key。

笔者认为，VS 为业界提供了一种快速构建简单 Agent 的能力，不再需要专门雇佣算法工程师进行开发。通过图形化编程在 Agent 上的应用，这一过程变得更加直观。然而，我们必须注意到，当前一些企业对 Agent 的功能有更高的要求，希望它不仅能处理复杂任务，还能无缝接入企业的独特系统框架。在这种情况下，VS 可能并不是最合适的选择。相比之下，开源的智能体框架例如LangChain、LangGraph等虽然要求企业的算法工程师投入额外的学习成本，但其在企业定制化服务和支持企业特有复杂流程方面的能力反而在此情况下是更优的选择。

但是，不可否认的是，VS的思路仍然是值得参考的，未来企业之中，如果能启用图形化编辑智能体的能力，是否可以达成企业更高效的运转，让更多的人参与到智能体的设计之中，一切的可能性都不由得让人浮想联翩，借用比尔盖茨对AI的展望——未来每个人都会有自己的AI助理。

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

160+中大型企业正在使用53AI

立即咨询预约演示

百度智能云邀53AI：共创AI新纪元，启航智能新时代

2024-05-27

钉钉恒星计划：53AI与百余位企业家及钉钉生态伙伴，共议“AI 浪潮下的新机遇”

2024-05-22

热点资讯

GraphRAG+Ollama 本地部署，保姆教程，踩坑无数，闭坑大法

2024-07-18

RAGFlow：基于OCR和文档解析的下一代 RAG 引擎

2024-05-05

微软开源的GraphRAG解读

2024-07-09

基于Llama 3 构建RAG语音助手：将本地 RAG 与 Qdrant、Whisper 和 LangChain 集成

2024-05-19

深入解析 Graph RAG：提升语言模型问答能力的创新策略

2024-07-09

RAG框架，都在这了!

2024-06-20

Prompt工程师必备：复旦重磅 | 最佳RAG实践长什么样的？

2024-07-07

下一代 RAG 技术来了！微软正式开源 GraphRAG：大模型行业将迎来新的升级？

2024-07-07

GraphRAG：终极 RAG 引擎 - 语义搜索、嵌入、矢量搜索等等！

2024-07-08

【文档智能 & RAG】RAG增强之路：增强PDF解析并结构化技术路线方案及思路

2024-07-09

大家都在问

RAG vs ICL：AI大模型的记忆术和临场发挥，谁才是最强辅助？

2024-11-06

企业如何从0到1构建RAG系统？

2024-11-06

RAG 系统的分块难题：小型语言模型如何找到最佳断点？

2024-11-05

实操｜如何优雅的实现RAG与GraphRAG应用中的知识文档增量更新？

2024-11-04

全网最全国内Agent平台深度测评：扣子、Dify、FastGPT，谁是你的Agent开发首选？

2024-10-27

微软研究院新突破：如何让AI在专业领域更靠谱？

2024-10-25

语义分块真的有效吗？

2024-10-21

突破传统RAG局限：GraphRAG如何提升大模型问答能力？

2024-10-21

开箱即用的企业大模型应用平台

工作+AI

业务+AI

AIx业务

大模型咨询

大模型定制

相关资讯

160+中大型企业正在使用53AI

百度智能云邀53AI：共创AI新纪元，启航智能新时代

钉钉恒星计划：53AI与百余位企业家及钉钉生态伙伴，共议“AI 浪潮下的新机遇”

热点资讯

GraphRAG+Ollama 本地部署，保姆教程，踩坑无数，闭坑大法

RAGFlow：基于OCR和文档解析的下一代 RAG 引擎

微软开源的GraphRAG解读

基于Llama 3 构建RAG语音助手：将本地 RAG 与 Qdrant、Whisper 和 LangChain 集成

深入解析 Graph RAG：提升语言模型问答能力的创新策略

RAG框架，都在这了!

Prompt工程师必备：复旦重磅 | 最佳RAG实践长什么样的？

下一代 RAG 技术来了！微软正式开源 GraphRAG：大模型行业将迎来新的升级？

GraphRAG：终极 RAG 引擎 - 语义搜索、嵌入、矢量搜索等等！

【文档智能 & RAG】RAG增强之路：增强PDF解析并结构化技术路线方案及思路

大家都在问

RAG vs ICL：AI大模型的记忆术和临场发挥，谁才是最强辅助？

企业如何从0到1构建RAG系统？

RAG 系统的分块难题：小型语言模型如何找到最佳断点？

实操｜如何优雅的实现RAG与GraphRAG应用中的知识文档增量更新？

全网最全国内Agent平台深度测评：扣子、Dify、FastGPT，谁是你的Agent开发首选？

微软研究院新突破：如何让AI在专业领域更靠谱？

语义分块真的有效吗？

突破传统RAG局限：GraphRAG如何提升大模型问答能力？

热门标签