python 网站开发框架wordpress 编辑 插件

python 网站开发框架,wordpress 编辑 插件,百度灰色关键词技术,开发公司资质查询本号之前文章中介绍了用Dify工具实现的针对故障拍照进行智能检索的运维神器#xff0c;这个案例中Agent是使用典型的workflow方式配置出来的#xff0c;“先进行OCR#xff0c;然后检索知识#xff0c;最后生成答案”这个执行步骤是我们预先定义好的#xff0c;包括网上很…本号之前文章中介绍了用Dify工具实现的针对故障拍照进行智能检索的运维神器这个案例中Agent是使用典型的workflow方式配置出来的“先进行OCR然后检索知识最后生成答案”这个执行步骤是我们预先定义好的包括网上很多Agent文章中描述大多也和我们这个案例类似但这似乎和AI Agent的标准定义还是有差距我们先随便找个大模型问问AI Agent的标准定义大概如下AI Agent智能体是一种‌具备自主决策与执行能力‌的智能实体能够通过感知环境、动态调整行为以实现预设目标。其本质是通过融合大语言模型LLM的推理能力和工具调用机制将传统AI的被动响应升级为主动任务执行能力。Agent这个标准定义是包含了感知环境-思考决策-行动执行的闭环逻辑也就是要符合ReAct框架ReasoningAction以下说明workflow模式与ReAct框架Agent实现逻辑的不同。一、使用workflow模式的Agent我们先分析之前运维案例中的workflow它们执行步骤和逻辑是在workflow中预设好的这不由得让人反思我们这类智能体的“智能”体现在哪里呢答案是这些Agent中不仅仅有workflow更关键是其中用到的LLM。比如在这个运维案例中是利用LLM的文字生成和整合能力输出故障的最终解决方案虽然前序知识检索环节有可能检索到故障对应的答案但这些答案往往比较简略还需要LLM根据Prompt指令“按【原因分析】、【影响范围】、【处置建议】结构化输出”并且指定如果当前序环节没有检索到答案时还需要LLM能自行分析并生成解决办法。我们再看看笔者之前另外一个[中考小助手案例]中利用的是LLM进行语义理解和意图识别要区分用户输入的问题是在问某个学校的分数线还是在问某个分数能上什么学校还是其他问题等然后在workflow中才能根据不同的意图走不同分支的处理逻辑。所以在我们大多数场景中用workflow这种模式再结合LLM的语义理解、意图识别、文字生成和整合能力就能够实现一个较好的Agent。二、使用Function Call实现ReAct框架以上workflow模式的Agent核心是执行逻辑是可预设的但有些业务场景中业务执行逻辑是不确定的是要依据前序环节的执行结果动态决策下一步该怎么做也就是对应ReAct框架的思考-行动-观察的闭环如下图所示源图来自https://react-lm.github.io/这个图很好地说明了右边ReAct框架相比原有模式的区别每次要观察observe上一次行动action的结果也就是将上次调用结果作为输入再输入给LLM一起去思考下一步该如何action。ReAct框架‌Reasoning Acting是一种结合推理与行动的多步骤高阶任务执行范式而上图中LLM与外部工具/环境ENV交互action的‌基础能力‌就是依靠Function Call作为底层支撑技术。‌Function Call‌是大型语言模型LLM通过‌语义理解与结构化输出‌调用外部工具的核心能力其实现依赖以下关键环节如图所示整个过程包括定义函数生成函数描述Schema将用户输入和函数描述一起输入调用LLM解析LLM的输出如果有输出函数名和参数则执行该函数再将函数结果反馈给LLM实现下一轮调用直至输出最终结果。这个过程中大家经常说的通过function call让LLM具备了调用外部工具的能力实际只是一种形象化的表达真正函数调用或者说工具执行还是在agent的代码里去实现的这里LLM‌的作用主要是两点也就是图中红色块内容‌动态决策‌根据上下文判断是否需要调用函数例如回答天气查询时要反馈get_weather()函数‌。‌输出接口通过JSON等格式输出函数名和对应参数确保外部工具的可执行性‌。为了更直观地理解这个过程我让LLM生成一段Python样例代码如下import openaiimport jsonfrom typing import get_type_hints# 示例函数定义def get_current_weather(location: str, unit: str celsius) - str: 获取指定地区的当前天气情况 # 这里模拟天气数据 weather_data { beijing: {celsius: 22, fahrenheit: 72}, new york: {celsius: 18, fahrenheit: 64} } returnf{location}天气{weather_data.get(location.lower(), {}).get(unit, 未知)}°{unit}def calculate(expression: str) - float: 执行数学计算支持加减乘除 try: returneval(expression.replace(^, **)) except: return计算错误# 生成函数描述JSON Schemadef generate_function_schema(func): hints get_type_hints(func) doc func.__doc__.split(\n) if func.__doc__ else return { name: func.__name__, description: doc, parameters: { type: object, properties: { param: { type: stringif hints.get(param) strelsenumber, description: f{param}参数 } for param inlist(hints.keys())[:-1] # 排除返回类型 }, required: list(get_type_hints(func).keys())[:-1] } }# 可用函数列表available_functions { get_current_weather: get_current_weather, calculate: calculate}# 生成函数描述列表functions [generate_function_schema(func) for func in available_functions.values()]# 与LLM交互的核心函数def run_conversation(user_query: str): # 第一次LLM调用选择函数 response openai.ChatCompletion.create( modelgpt-3.5-turbo-0613, # 要选择支持函数调用的模型 messages[{role: user, content: user_query}], functionsfunctions, # 输入函数定义 function_callauto ) response_message response[choices][message] # 如果LLM选择调用函数就会在输出response_message中把要调用的函数和对应参数都输出 if response_message.get(function_call): function_name response_message[function_call][name] function_args json.loads(response_message[function_call][arguments]) print(fLLM选择调用函数: {function_name}) print(f参数: {function_args}) # 执行对应函数 if function_name in available_functions: function_to_call available_functions[function_name] # 参数类型转换 try: args {k: str(v) for k,v in function_args.items()} # 统一转为字符串 if function_name calculate: args[expression] args[expression].replace( , ) # 敲黑板 注意实际执行函数还是本地代码并不是LLM直接去调用哈 result function_to_call(**args) returnf执行结果: {result} except Exception as e: returnf执行错误: {str(e)} else: return未知函数调用 else: return未触发函数调用# 测试用例if __name__ __main__: test_cases [ 北京现在的气温是多少, 帮我计算(3 5) * 2^3的值, 今天纽约的天气怎么样用华氏度 ] for query in test_cases: print(f\n用户问{query}) print(-, run_conversation(query))很多同学用Coze和元器来配置Agent时可以直接写提示词来说明Agent的处理流程可以指定插件挂载工具有同学就问这种算什么模式我们修改下之前那个中考小助手案例这次我们不去配置工作流而是按如下配置笔者个人理解如果Prompt中把执行步骤描述得很清楚就应该算是workflow模式无非它是用文字来表达执行逻辑同时利用LLM的function call能力根据预定的执行逻辑调用预设好的插件。但如果Prompt只是描述目标没有对执行步骤做详细描述那应该可以说是ReAct模式它通过右边的插件设置将所有可以调用的工具/函数都提前注册进来运行时和Prompt一起输入给LLM由LLM自行规划处理路径中间何时要调用外部插件都是LLM自行决策的。无论怎么理解只能说Coze的这个智能体已经很智能了。三、从Function Call到MCP搞清楚ReAct框架和Function Call的关系以后我们再看看MCPModel Context Protocol大模型上下文协议去年Anthropic推出的MCP概念今年以来热度持续上升尤其是OpenAI也宣布支持MCP以后似乎一页之间万能手、通用agent等概念都有了落脚点。官网对MCP架构的介绍可以参考这个链接主要架构图如下https://modelcontextprotocol.io/introduction其实笔者认为mcp和function call本质上没有太大区别只是把函数调用的规范做了统一按统一规范由mcp client发给远程某个MCP Server再执行具体tool。为了更直观地对比在ReAct框架中MCP和function call区别我们画个图来表示如下要实现mcp这种方式的工具调用首先也是需要将函数/工具的描述信息schema先要输入给LLM只不过functioncall是在本地生成函数描述的而mcp则是远程从mcp server中自动拉取的工具描述远程mcp server端有哪些工具的描述是基于server端工具在开发时用注解的方式描述函数名、用途和参数信息来自动生成的。和上文介绍的function call机制一样LLM本身也不会真的去调用mcp server里的工具LLM是个语言模型它的输入输出永远是一段文本它只是识别需要调用哪个工具并将要调用的工具名、参数以json格式结构化文本输出然后是由LLM所在的Host去调用。这个Host有一个误区网上看到的各种mcp文章都是用Claude desktop、cursor或者dify、cherry studio这种工具来举例很容易让人和mcp client这个概念混淆起来实际这个host更常见的是Agent所在的代码是通过在这个代码中引入mcp client包去发给远程mcp server去执行的。以上就是AI Agent从workflow固化流程到基于Function Call的ReAct框架再从Function Call到统一标准的MCP的一个发展过程但AI领域生态发展是飞速向前的。4.10日Google又发布了开源协议A2AAgent-to-Agent使得基于不同底层框架和供应商平台创建的 AI Agent 之间能够实现相互通信实现多智能体之间的协作也是Agent这个领域的最近最为火热的发展方向但本质上如果你将MCP Server后面对接另外一个Agent实际也能实现多智能体的协作笔者推测A2A可能也就是对Host Agent中LLM通过mcp client调用mcp server端的另一个Agent的过程做了一个简化封装当然有待后续实践后再进行详细分享。注笔者在以往案例基础上结合实际项目经验从应用AI和落地AI的视角出发按照LM、RAG、Agent、Training这样的顺序梳理一套基础技术体系对应投入和落地难度从小到大本文是其中对Agent板块的部分总结欢迎读者持续关注完整合集。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】