lanzeou-大赛人网-第99页
lanzeou的头像-大赛人网
lanzeou管理员超级版主
这家伙很懒,什么都没有写...
从 Chain、DAG 到 Agent:为什么还需要 Agent?-大赛人网

从 Chain、DAG 到 Agent:为什么还需要 Agent?

这一节我们不急着写复杂 Agent,也不急着接真实大模型 API。我们先把一个最容易被说模糊、但后面每一节都会依赖的问题讲透,既然以前已经有 Chain、DAG、Workflow,为什么今天还需要 Agent? 学...
小节一:Chain - 路径确定时,最简单的方案往往就是最好的方案-大赛人网

小节一:Chain – 路径确定时,最简单的方案往往就是最好的方案

我们先从 Chain 开始。 Chain 的直觉非常简单:一件事做完,接着做下一件。 例如: 读取 CSV ↓ 去重 ↓ 填补缺失值 ↓ 计算指标 ↓ 输出结果 这里最重要的不是“有几个步骤”,而是,下一步在...
小节二:DAG 与 Workflow——流程可以很复杂,但核心控制权仍在开发者手里-大赛人网

小节二:DAG 与 Workflow——流程可以很复杂,但核心控制权仍在开发者手里

Chain 是一条线。 但真实工程里,很多任务不是线性的。 例如一个模型训练任务: ┌→ 数据质量检查 ─┐ 数据加载 ─────┼→ 特征统计 ─────┼→ 模型训练 └→ 标签检查 ─────...
小节三:Agent——真正的变化,是“下一步由谁决定”-大赛人网

小节三:Agent——真正的变化,是“下一步由谁决定”

现在我们正式进入 Agent。 先看一个最短版本: 当前状态 ↓ LLM 判断下一步做什么 ↓ Action ↓ 执行 ↓ Observation ↓ 再次判断 这里有四个关键输入。 Goal:最终要完成什么。 State:现在执...
小节四:把确定的步骤固定下来,让 Agent 处理需要探索的部分-大赛人网

小节四:把确定的步骤固定下来,让 Agent 处理需要探索的部分

学到这里,很容易走向另一个极端,“既然 Agent 能动态决策,那以后所有 Workflow 都可以不要了。” 这恰恰是很多 Agent Demo 一进入生产就出问题的原因。 真正靠谱的做法通常是,确定的事情写...
案例分析一:修复一个陌生 Python 项目——固定 Workflow 为什么会迅速膨胀?-大赛人网

案例分析一:修复一个陌生 Python 项目——固定 Workflow 为什么会迅速膨胀?

场景背景 假设我们想做一个内部工具,用户提交一个 Python 项目,系统自动判断为什么项目启动失败。 第一版很自然: 读取 requirements.txt ↓ 读取 app.py ↓ 运行 python3 app.py ↓ 分析报错...
案例分析二:分析“昨天收入为什么下降”——Agent 和普通 Text-to-SQL 的分界线-大赛人网

案例分析二:分析“昨天收入为什么下降”——Agent 和普通 Text-to-SQL 的分界线

场景背景 假设我们做一个数据查询系统。 用户问,“为什么昨天广告收入比前天低了 20%?” 最简单的 Text-to-SQL: 自然语言 ↓ 生成 SQL ↓ 执行 SQL ↓ LLM 总结 ↓ 返回 已经很有用。 问题矛...
章末自测-大赛人网

章末自测

题目 1:为什么“LLM + 三个工具”不一定是 Agent? 某系统接入了一个大模型,并提供“查天气”“计算器”“网页搜索”三个工具。程序固定规定:每次请求都先搜索网页,再查天气,最后调用计算...
Agent 最核心的秘密:Main Loop-大赛人网

Agent 最核心的秘密:Main Loop

上一节我们已经把 Chain、DAG、Workflow 和 Agent 的差别讲清楚了。真正决定 Agent 味道的,不是“有没有大模型”,也不是“有没有工具”,而是模型是否能够在运行过程中,根据当前任务和执行反...
小节一:从“一次调用”到“循环调用”——Agent 真正开始出现的那一刻-大赛人网

小节一:从“一次调用”到“循环调用”——Agent 真正开始出现的那一刻

我们先从最简单的 LLM 应用开始。 假设现在有一个函数: def chat(prompt: str) -> str: return '模型回答' 用户输入一句话,我们调用一次模型,然后直接返回答案。 这种结构可以完成很多任务:...