Reflection:让 Agent 审视和修正自己生成的输出;
Tool Use:LLM 生成代码、调用 API 等进行实际操作;
Planning:让 Agent 分解复杂任务并按计划执行;
Multiagent Collaboration:多个 Agent 扮演不同角色合作完成任务;
🤩 在 扣子(coze.cn)/Coze (coze.com)上,可以将上述四种模式快捷落地,本文将以汽车行业调研助手、高质量旅行规划助手等实际案例来为大家分享落地思路。
含义:让 Agent 审视和修正自己生成的输出。
背景:大模型的生成有时候会犯懒,可能只会部分执行Prompt导致效果有限。Reflection模式适用于让LLM自行审视和修正自己生成的输出,对生成内容进行多次自我调优,进而生成更加优质的内容。
场景:让 AI 或 LLM 说,写一个行业短评。开始写第一稿,自己阅读生成第一稿,思考哪些部分需要修改,然后,LLM进一步优化生成,可以一遍又一遍地进行。因此,这个工作流程是可迭代的,你可能让模型进行一些思考,然后修改文章,再思考,并通过多次迭代来完成这个过程。
流程图:
👉 工作流拆解:
第一步:Start节点,用于接收用户的输入。
第二步: 大模型节点,行业短评Prompt:使用真实数据、案例、SWOT模型,并言简意赅表达。
第三步:基于其生成结果第二步中的大模型的生成结果,复制其Prompt,并进一步提示生成短评,达到审视和修正自己生成输出的效果,提高短评生成质量。
第四步: 输出结果。
👉 示意图参考:
👀 效果:汽车行业调研短评
第一次:大模型对于提示,仅生成比较概括性的短评,使用了真实数据。
第二次:大模型对生成结果进行迭代,生成了详细短评,不仅优化了表达内容,还增加了SWOT分析和案例分析。
扣子/ Coze 本身就支持非常丰富的工具调用,欢迎使用!
含义:Planning:让 Agent 分解复杂任务并按计划执行;
背景:大模型的生成依赖于训练数据的实效性,并且有时候会产生幻觉,导致生成的内容效果质量有限。Planning模式适用于让LLM基于计划好的任务步骤,对生成内容进行多次自我调优和加工处理,进而生成更加优质的内容。
场景:我们期望Agent具备类似人的行为的智能体,比如在调研报告场景,他会先使用搜索工具进行检索,筛选质量较高的内容,再进行一些思考,再进行重要信息的总结和整理,最后输出一个质量比较高的报告。
流程图:
👉 工作流拆解:
第一步:Start节点,用于接收用户的输入。
第二步: 通过“浏览器插件”,把用户的输入作为关键字进行搜索,返回相关的10个网站链接。
第三步: 通过“头条搜索”访问这10个网站的详情内容,并返回。
第四步: 使用大模型对这10个网站的内容进行打分,3分以上推荐引用。
第五步: 通知用户:目前Agent已经完成阅读,正在整理并总结报告。
第六步: 大模型对高分内容进行理解,使用真实数据、案例、SWOT模型等,并言简意赅表达。
第七步: 输出报告。
👉 示意图参考:
👀 效果:奶茶行业调研短评
第一步: Agent完成网站访问和内容抽取后,告知了完成阅读。
第二步: 参考了他访问的一些网站内容,整理并总结了报告,最后打印报告输出。
第一步:定义3个用于旅行规划场景的专家Agents
目的地推荐专家: 调用搜索等能力,基于用户的需求推荐目的地。
机票酒店专家: 调用机票、酒店的查询工具,根据用户的背景信息和诉求,推荐合适的机票酒店。
行程规划专家: 根据用户的信息和其他专家产出的结果,帮助用户制定完整的行程规划,并将内容输出到PDF中。
第二步:将3个专家Agents排列到画布中,并为他们设置任务交接的条件。
第三步:开始对话
点击查看效果👆