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](https://learn.microsoft.com/en-us/azure/architecture/ai-ml/architecture/baseline-openai-e2e-chat)：
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
上图的架构分类参考[2](https://www.imyfone.com/ai-tools/chatbot-architecture/),[3](https://www.imyfone.com/ai-tools/how-do-chatbots-work/)：
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](https://github.com/allwefantasy/auto-coder/blob/master/src/autocoder/index/index.py)，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](https://github.com/labring/FastGPT/blob/main/projects/app/src/service/core/dataset/data/controller.ts) insertData2DataSet方法的时序图
4.3 AutoGen（多 Agent 交互）
上图来源于[9](https://drlee.io/step-by-step-autogen-by-microsoft-the-future-of-programming-using-autonomous-gpt-like-agents-105ac45a518f)，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](https://zhuanlan.zhihu.com/p/636906119)，关注概念：
- self-request：prompt_intent_detection[11](https://github.com/zwq2018/Data-Copilot/blob/main/prompt_lib/prompt_intent_detection.json)、prompt_task[12](https://github.com/zwq2018/Data-Copilot/blob/main/prompt_lib/prompt_task.json)
5 参考链接
7 NoCoding-BatchDataQualityConfig
9 Step By Step AutoGen by Microsoft
10 Data-Copilot: 大语言模型做你最贴心省事的数据助手
11 Data-Copilot: prompt_intent_detection
14 FastGPT：索引构建