Agent：从可控性到自主反思

一，Workflow agent

到底要给LLM多大的自由空间？

使用agent的原因

1，LLM有幻觉

2，LLM只会说，不会做

3，LLM规划的步骤不靠谱     作为一个agent设计者，

有些任务需要极强的准确度，可控性

这个时候都需要agent

所以模型提供智能，agent保证结果。

为了规避LLM的一些缺点，是作为一位agent设计者要考虑的问题

1，使用rag技术构建私有知识库，提升对话的能力

2，用设计者定义好的workflow完成特定的任务

3，使用工具来完成LLM无法完成的任务

5，让LLM写代码，完成数据处理，数学计算

Workflow agent 非常适合准确性要求比较高的场景

市场上90% 是workflow agent

                                                      1.  workflow Agent结构图

二，ReAct Agent

ReAct Reasoning＋Acting

            推理               行动           得到反馈    这三个步骤循环处理。所以做react agent的时候需要解决这三种不同的角色。

比workflow agent给LLM的自由空间更大。

有些任务无法提前设定步骤怎么办？

缺点

   1，很难确定哪一个步骤是错误的，需要每一步的详细检查。

工作流程

  1，用LLM将根据文件内容，设定有意义的文件名。

2，设定三个不同角色

使用了ReAct的AI产品

  1，autoGPT

2,Perplexity

3,Manus

4,Cursor

5,GenSpark` 

等等

Agent AI模型提供智能，AI Agent 保证结果

大语言模型

设计Agent的时候最大的困难是给LLM多大的自由度。是一个很难抉择的问题。

比如workflow agent就没有给LLM什么自由空间，但是 react agent就给了llm很大的自由度。这两者没有好坏之分

开始的时候人们常说提示词工程，现在人们不怎么讲了，而是说上下文工程

任务执行记录过长，可能LLM接受不了。

可以帮详细的内容放到文件或者db中，而是做一些摘要。

三，agent平台

例子  harvey.ai

        一个法律的agent平台。

   glean

       在他的基础上可以开发自己公司的东西。