agent

樱花的浪漫

Tree-of-Counterfactual Prompting for Zero-Shot Stance Detection论文地址：Tree-of-Counterfactual Prompting for Zero-Shot Stance Detection - ACL Anthologyhttps://aclanthology.org/2024.acl-long.49/

【LLM-Agent】ReWOO模式和ReAct的区别论文：《ReWOO: Decoupling Reasoning from Observations for Efficient Augmented Language Models》

一个处女座的程序猿

LLMs之Agent之Lares：Lares的简介、安装和使用方法、案例应用之详细攻略LLMs之Agent之Lares：Lares的简介、安装和使用方法、案例应用之详细攻略导读：这篇博文介绍了 Lares，一个由简单的 AI 代理驱动的智能家居助手模拟器，它展现出令人惊讶的解决问题能力。

爱喝白开水a

利用OpenAI、LangChain和Streamlit进行智能数据分析和可视化如何从海量数据中提取有价值的信息，并将其转化为直观、易于理解的视觉形式，是当下亟待解决的一个问题。幸运的是，随着人工智能技术的飞速发展，特别是自然语言处理（NLP）和机器学习（ML）领域的突破，我们有了更为强大的工具来应对这一挑战。今天我们来聊一聊如何利用OpenAI、LangChain和Streamlit构建一个智能数据分析和可视化系统。

利用Prompt工程为LLM提升推理能力众所周知，一个精心设计的Prompt能够显著增强大型语言模型（LLMs）的推理能力，助力AI应用更高效地解决实际问题。本文将深入探讨如何通过有效的Prompt工程技术，实现这一目标。【⭐文章结尾附全部代码⭐】

大数据AI人工智能培训专家培训讲师叶梓

自适应对话式团队构建，提升语言模型代理的复杂任务解决能力人工智能咨询培训老师叶梓转载标明出处如何有效利用多个大模型（LLM）代理解决复杂任务一直是一个研究热点。由美国南加州大学、宾夕法尼亚州立大学、华盛顿大学、早稻田大学和谷歌DeepMind的研究人员联合提出了一种新的解决方案——自适应团队构建（Adaptive In-conversation Team Building），旨在通过动态管理和组建团队来提高问题解决的效率和准确性。

荔枝学Python

一文总结AI智能体与传统RPA机器人的16个关键区别基于LLM的AI Agent（智能体）与**RPA（机器人流程自动化，Robotic Process Automation）**两种技术在自动化任务领域中扮演着至关重要的角色。AI智能体能够借助LLM拥有极高的灵活性，可以实时理解和响应环境的变化，并自主进行推理、决策与行动。而RPA是一种依赖预定义规则和工作流程的自动化技术，通过模拟人工操作来执行重复性高、流程清晰的任务。两者在自动化目标、实施效果、应用场景等方面具有诸多的相似点。

怎么看AI大模型（LLM）、智能体（Agent）、知识库、向量数据库、知识图谱，RAG，AGI 的不同形态？在 AI 人工智能时代，智能体将会是未来最主流的大模型应用方式？人人都有机会通过智能体，解锁成为【超级个体】。

大耳朵爱学习

这本大模型书真的太香啦！直接硬控我三小时《动手做AI Agent》是由黄佳所著的一本专注于人工智能领域的技术书籍。黄佳是新加坡科技研究局的主任科研工程师，主攻方向包括自然语言处理（NLP）预训练大模型应用、机器持续学习技术等。这本书选择AI Agent（人工智能智能体）作为主题，是目前大模型应用落地的重要途径，被众多公司如OpenAI、微软、字节跳动和百度等布局和探索。

大模型生图安全疫苗注入赛道 - 赛题评测与优化策略(DataWhale组队学习)大家好，我是GISer Liu 😁，一名热爱AI技术的GIS开发者。本系列文章是我跟随DataWhale 2024年10月实践赛的大模型生图安全疫苗注入赛道。本文主要整理了本次赛事的赛题评测方法与提示词优化策略，并对模型的防御机制设计进行了代码实现与讲解。💕💕😊

我爱学Python!

当LangGraph遇上Mem0：如何让你的AI Agent具有更智能的记忆与个性化的体验？AI Agent（智能体）的记忆（Memory）被认为是一项必备的基础能力，它用来提取、存储会话中的重要信息并用于后续的检索与使用。可以把记忆简单地分成短期记忆与长期记忆两种，用来“记住”不同类型的信息：

一根老麻花

LangGraph 源码分析 | BaseTool 模板类BaseTool 是 LangChain 框架中定义 tools 的模板类

士多啤梨先生

OpenAI 全新基准工具：75 个 Kaggle 任务，全面测试 AI 代理能力❤️ 如果你也关注大模型与 AI 的发展现状，且对大模型应用开发非常感兴趣，我会快速跟你分享最新的感兴趣的 AI 应用和热点信息，也会不定期分享自己的想法和开源实例，欢迎关注我哦！

OpenAI多智能体框架Swarm实测—基于Qwen开源模型底层模型：Qwen开源模型 swarm：0.1.0agent之间的跳转函数输入示例：输入示例初始的agent设置为Agent A，上面问答的基本流程是： Agent A >>>Agent B >>>Agent A，具体输出如下可以看到，开源模型+Swarm框架，可以完成Agent之间的跳转，回复效果还不错。

使用Ollama测试OpenAI的Swarm多智能体编排框架https://ollama.com/Requires Python 3.10+https://github.com/openai/swarm

论文推荐 |【Agent】自动化Agent设计系统论文标题： Automated Design of Agentic Systems论文地址： https://arxiv.org/abs/2408.08435

autogen改变屏幕亮度官方的入门教程很容易入门，所以推荐使用官方的学习资料：autogen官方教程准备：OAI_CONFIG_LIST文件的配置为：

Windows11系统下SkyWalking环境搭建教程本文为博主在项目环境搭建时记录的SkyWalking安装流程，希望对大家能够有所帮助，不足之处欢迎批评指正🤝🤝🤝

网安打工仔

探索RAG、AI Agents和Agentic RAG的架构、应用程序和主要区别人工智能催生了能够执行各种任务的强大模型。该领域最具影响力的两项进步是检索增强生成 (RAG) 和Agents，它们在改进AI驱动的应用程序中发挥着独特的作用。然而，新兴的Agentic RAG概念提出了一种利用两种系统优势的混合模型。Agentic RAG是什么？与RAG、Agents有什么区别？接下来，本文将全面分析这三种技术的概念与联系，探索它们的架构、应用程序和主要区别。

LLM Agent系列 | 端侧Agent路由器，合纵连横AI江湖，破局端侧大模型之困！引言简介背景相关工作Octopus v4Octopus v2图中节点基于图的任务规划功能token和数据集收集