公告
欢迎来到我的博客，这里记录生活与技术。
466 字
2 分钟
LLM为什么需要agent化
虽然大语言模型的能力很强大，但是Llm仅限于用于训练的知识，这些知识很快会过时，所以llm有以下缺点
-
幻觉
-
结果并不总是真实的
-
对时事的了解有限或一无所知
-
难以应对复杂推理和计算
例如：买高铁票
(虽然LLM完全理解了买票的行为，但是它本身并不知道“我”所处的城市，列车的时刻表，价格等等信息） 而基于大模型的Agent (LLM based Agent) 可以利用外部工具来克服以上缺点。
打个招聘广告
作者目前的公司正在热招，后端（包括大模型）、前端、Android，产品、运营都有岗！ 📍Base：上海/成都 💰薪资：绝对香（BAT对标） 内推不卡简历，直达Team Leader!
ReAct Agent
LLM Agent 的升级之路：
Standard IO(直接回答) -> COT(chain-of-thought)(思维链) -> Action-Only (Function calling) -> Reason + Action ReAct = Reasoning(推理) + Action(行动)
ReAct Agent 的组成部分 （通过LangChain实现）
-
Models：LLM
-
Prompts：对Agent的指令、约束
-
Memory : 记录Action执行状态 & 缓存已知信息
-
Indexes : 用于结构化文档，以便和模型交互
-
Chains ：Langchain的核心（链）
-
Agent
ReAct Agent 的prompt 模板
代码
手写一个能帮忙买火车票的智能Agent 注：火车票相关API均为mock
结果
第一轮思考
Agent根据要求，选择了需要使用的Tool，组装了请求参数并完成了调用。 （还可以多定义一些Tools，比如获取当前位置的，获取今天日期的工具等等，这样这里的查询火车票的参数可以更智能）
第二轮思考
根据查询出的车票信息去调用购票的Tool
第三轮思考
LLM识别到任务已完成，输出了结果
LLM为什么需要agent化
https://mizuki.mysqil.com/posts/llm为什么需要agent化/ Related articles
部分信息可能已经过时
