文章目录
调研：如何实现智能分析助手（Agent）（AutoCoder、FastGPT、AutoGen、DataCopilot）
一、交互流程
二、数据流程
企业聊天应用的后端通常遵循以下类似的流程[1]：
1.用户在自定义聊天用户界面（UI）中输入一个提示
2.该提示通过界面代码发送到后端
3.后端从提示中提取用户意图（问题或指令）
4.后端确定需要访问的数据存储（与用户提示相关）（可选）
5.后端查询相关的数据存储
6.后端将意图、相关基础数据和提示中提供的任何历史记录发送给大型语言模型（LLM）
7.后端将结果返回，以便可以在用户界面上显示
三、架构分类
四、开源产品
4.1 AutoCoder（知识库变体）
-
利用LLM对元数据进行提取[13]，后续将提取出的元数据作为业务知识拼接到prompts中使用
-
适用场景：知识比较少的场景
4.2 FastGPT（知识库实现）
- 上图是源码[14] insertData2DataSet方法的时序图
4.3 AutoGen（多 Agent 交互）
上图来源于[9]，场景描述如下：
-
多Agent交互：有两个Agent，其中User Proxy Agent代表人与Assistant Agent交互
-
代码自动生成：生成在沙箱环境，代码互相隔离
4.4 Data Copilot（任务规划）
上图来源于[10]，关注概念：
5 参考链接
1\] [baseline-openai-e2e-chat](https://learn.microsoft.com/en-us/azure/architecture/ai-ml/architecture/baseline-openai-e2e-chat) \[2\] [chatbot-architecture](https://www.imyfone.com/ai-tools/chatbot-architecture/) \[3\] [how-do-chatbots-work](https://www.imyfone.com/ai-tools/how-do-chatbots-work/) \[4\] [AI+BI：结合大语言模型实现对话式的智能报表系统](https://mp.weixin.qq.com/s/tA3vVo7v2p-48QNVqFU8Pg) \[5\] [从长期记忆的角度谈Agent](https://zhuanlan.zhihu.com/p/682593028) \[6\] [Prompt调试及知识库使用调研](https://docs.58corp.com/#/space/1773166836444094465) \[7\] [NoCoding-BatchDataQualityConfig](https://docs.58corp.com/#/space/1774651293344784385) \[8\] [十分钟用LangChain做一个源代码阅读助手](https://zhuanlan.zhihu.com/p/629508838) \[9\] [Step By Step AutoGen by Microsoft](https://drlee.io/step-by-step-autogen-by-microsoft-the-future-of-programming-using-autonomous-gpt-like-agents-105ac45a518f) \[10\] [Data-Copilot: 大语言模型做你最贴心省事的数据助手](https://zhuanlan.zhihu.com/p/636906119) \[11\] [Data-Copilot: prompt_intent_detection](https://github.com/zwq2018/Data-Copilot/blob/main/prompt_lib/prompt_intent_detection.json) \[12\] [Data-Copilot: prompt_task](https://github.com/zwq2018/Data-Copilot/blob/main/prompt_lib/prompt_task.json) \[13\] [AutoCoder: 索引构建](https://github.com/allwefantasy/auto-coder/blob/master/src/autocoder/index/index.py) \[14\] [FastGPT：索引构建](https://github.com/labring/FastGPT/blob/main/projects/app/src/service/core/dataset/data/controller.ts)