一.概述
什么是agent？
大模型LLM只能说和想，不能做，仅作知识输出
智能体agent不仅能说和想，还能做，可执行的交付。是能够感知环境、自主决策、使用工具完成任务的智能体
agent具有自主性，能独立思考和决策；有工具使用的能力，可以调用各种外部能力；有任务规划的能力，能拆解并执行复杂任务
大模型的局限
知识过失，无法联网，不能执行，深度不足
提示词工程
提示词prompt是开发者赋予bot的身份、能力和行为规范，它决定了bot的影响质量和风格
提示词帮助用户控制语言模型输出，生成适合的特定需求
提示词调整提供了对模型行为的直观控制，但对提示的确切措辞和涉及敏感，因此需要精心制定的准则以实现期望的效果
提示词的四个要素
角色定位：明确bot的身份，建立专业形象，角色越具体，回复越专业
技能描述：清晰的目标，让bot知道做什么
输出格式：结构化回复要求，确保输出规范
约束条件：限制不当行为，保证安全合规
提示词分类
系统提示词：大模型角色定位+回复逻辑
用户提示词：用户直接提出的具体的指令或问题
提示词编写
可以直接编写，可以使用现有模板，也可以让ai写
RAG检索增强技术
RAG是一种结合知识检索和语言生成的人工智能技术，主要用于解决大型语言模型幻觉问题
RAG流程
第一步：将用户的问题query先和知识库做相关性检索， 检索出和问题相关的context上下文
第二步：再将query问题和context上下文融合拼接得到一个完整的结果result
第三步：将第二步融合的结果result送入大模型的到最后的结果
知识库构建
知识库文档类型：
文档预处理：清理无关内容，按主题分类整理，文件命名规范
文档切片：为了适应大语言模型的上下文长度限制，并提升检索的精确度和效率
切分方式：按字符数切分（固定长度），按符号切分（按句号，换行符，感叹号等），按语义切分（识别主题变化点智能切分）
一般使用符号和字符长度一起切分，一般200-500字每段。长度太小上下文不完整，长度太大，无关信息过多，干扰判断
文档向量化：将切分后的文本进行向量数字化，便于计算问题和文档的相似性
向量化作用：语义理解；相似度计算；快速检索
Function Call
该功能指的是在语言模型中集成外部功能或API的调用能力，这意味着模型可以在生成文本的过程中调用外部函数或服务，获取额外的数据或执行特定的任务
Function Call能解决大模型信息实时性，数据局限性以及功能扩展性的问题
工作流
将一个复杂任务分解成一系列可管理的，按顺序或按条件执行的步骤，并通过图形化的界面将这些步骤连接起来
工作流：使用功能类数据处理，如报告生成、海报制作、数据分析，不支持对话历史，无会话概念，发布渠道是API、模板和商店
对话流：对话类、交互式应用，用于智能客服、AI助手、虚拟伴侣等，支持读取对话历史，必须传入会话名称，全渠道发布
节点：每个节点是一个具有特定功能的独立组件，负责处理数据、执行任务