企业官网建设流程全解析

寒亭区建设局网站,2018年做淘宝客网站需要备案嘛,企业网站的意思,张家港网站网络优化深度搜索Agent核心问题其实就有两个#xff1a;怎么把复杂问题拆得合理#xff0c;以及怎么判断搜索结果够不够用。近两年深度搜索Agent发展很快各家的实现思路也越来越成熟#xff0c;围绕这两个问题业界逐渐沉淀出几种主流架构#xff1a;从最基础的Planner-Only#xf…深度搜索Agent核心问题其实就有两个怎么把复杂问题拆得合理以及怎么判断搜索结果够不够用。近两年深度搜索Agent发展很快各家的实现思路也越来越成熟围绕这两个问题业界逐渐沉淀出几种主流架构从最基础的Planner-Only到加入评估反馈的双模块设计再到Sentient Labs提出的递归式方案。这篇文章将整理这些架构并顺便附上一些实用的prompt模板。迭代式搜索Agent在讨论更复杂的架构之前先回顾一下最基础的迭代式搜索Agent。这类Agent通常基于ReActReasoning and Acting范式工作流程很简单接收问题→思考→调用工具搜索→观察结果→继续思考→再搜索…如此循环直到找到满意的答案。但是这种简单的迭代模式有个问题当面对复杂查询时单线程一步步搜效率太低。于是就有了并行工作流的思路把一个大问题拆成多个子查询让多个搜索任务同时跑。Planner-Only架构但并行工作流又有个明显的短板子查询数量是写死的。实际情况是简单问题拆2-3个子查询就够了而复杂问题可能要拆5-6个甚至更多。也就是说子查询的拆分应该是动态的而不是预先固定。Planner LLM就是为解决这个问题产生的。它的作用很简单就是分析用户问题的复杂度决定应该拆成多少个子任务每个子任务负责什么以及应该调用哪些工具。一个典型的Planner提示词结构如下# MAKE A STRATEGY/PLAN, YOU HAVE ACCESS TO FOLLOWING TOOLS ↳ describe tools their input parameters here # GUIDELINES FOR QUERY COMPLEXITY, TOOL CALLS #SUBAGENTS ↳ simple fact finding queries requires just 1 subtask with 3-10 tool calls. ↳ direct comparison queries might need 2-5 subtasks with 10-15 tools call each. ↳ complex research might use more than 10 subtasks with clearly divided responsibilities # CLEARLY DEFINE EACH SUBAGENTS ROLE IN FOLLOWING FORMAT { objective :- output_format :- tool_guidance :- rationale :- } # HEURISTICS FOR TOOL GUIDANCE (basically here we are doing Tool RAG) examine all available tools first, match tool usage to subagent objective, search the web only for broad external information or prefer specialized tools over generic ones.这个提示词模板的设计思路值需要注意的是首先告诉Planner有哪些工具可用然后给出不同复杂度问题的拆分参考标准最后要求它为每个子Agent明确定义目标、输出格式和工具使用指导。这样Planner输出的计划才足够具体下游的执行Agent才能照着执行。Planner承担的任务复杂度高是整个架构的核心节点。所以强烈建议用推理能力强的模型来做Planner比如GPT-4o、Claude 3.5 Sonnet或者专门的推理模型如o1、DeepSeek-R1等。停止条件的处理有了Planner问题拆分的问题解决了但还有另一个老问题ReAct循环什么时候该停传统做法是手动设一个固定阈值靠经验调参比如最多跑5轮但这显然不够灵活因为复杂查询需要更多轮迭代简单查询几轮就够了。固定阈值要么会让简单问题跑太多轮浪费资源要么会让复杂问题提前结束拿不到完整答案。所以解决办法是引入一个评估器LLM每轮迭代后让评估器判断当前答案是否已经足够好如果够好就停不够就继续跑。评估器的提示词可以这样写# TASK Your task is to analyse and determine if following information is sufficient or there are knowledge gaps?? Provide reasoning for your answer # Question add here the user question # Generated Answer add here the answer generated by this iteration of ReAct # OUTPUT FORMAT { is_sufficient: true/false reasoning: knowledge_gap: }评估器需要做两件事判断当前答案是否充分以及如果不充分的话缺的是什么。knowledge_gap字段很关键它可以指导下一轮迭代应该往哪个方向搜。澄清问题机制OpenAI在评估器的基础上又加了一层设计。他们观察到有些特别刁钻的问题LLM怎么搜都找不到满意的答案评估器一直返回is_sufficient false循环就没完没了。这种情况往往不是搜索能力的问题而是问题本身定义不清比如用户问最好的笔记本电脑是哪个这里的最好指什么性价比最高性能最强便携性最好不同的理解会导向完全不同的搜索方向。所以OpenAI的方案是当评估器发现反复搜索都无法得到充分答案时不如让Agent主动问用户几个澄清问题把人拉进来帮忙明确需求。这就是所谓的human-in-the-loop设计。检查清单评分而SamayaAI提出了另一种评估思路检查清单评分这个方案对长篇幅答案特别有效。传统评估器面对长答案容易晕单个LLM很难在一大段文本里保持完整的推理链上下文一长就开始丢信息评估结果也就不太靠谱了。SamayaAI的想法是与其让评估器去理解和评判整个答案的内容质量不如换个角度来评估答案是否符合预设的结构规范这个结构规范就是所谓的检查清单。比如说如果用户问的是对比A和B两个产品检查清单可能包括是否分别介绍了A和B的特点是否有价格对比是否有优缺点总结是否给出了推荐建议评估器只需要逐项打勾比从头读完整个答案再打分要简单得多。# TASK Your task is to analyse and determine if the answer follows following checklist or not. If not the identify knowledge gaps. Provide reasoning for your answer. # Question add here the user question # Generated Answer add here the answer generated by this iteration of ReAct # Checklist add your checklist here # OUTPUT FORMAT { is_sufficient: true/false reasoning: knowledge_gap: }Planner Plan Evaluator双模块架构前面说的评估器主要是评估搜索结果但其实Planner生成的计划本身也可能有问题。于是就有了Planner Plan Evaluator的双模块设计先让Planner生成计划再让评估器审核这个计划靠不靠谱通过了再执行。Plan Evaluator有几种典型的设计思路。思路一多计划竞争。让Planner并行生成多个执行计划评估器从中挑最优的那个。这样能提高计划质量但代价是成本和延迟都会上升——多生成几个计划就多几倍的token消耗。思路二单计划审核。先生成一个计划评估器判断好坏好就执行不好就打回去重新生成。这个思路成本更可控但可能需要多轮打回-重生成才能得到合格的计划。计划出问题一般都会是以下几种情况目标失败Agent没完成任务或者完成了但违反了约束条件。比如让模型规划一趟从旧金山到印度的两周旅行预算5000美元结果它给你规划到越南去了或者确实规划了印度行程但预算直接超了。工具失败这又分好几种情况。可能是生成了根本不存在的工具名比如调用bing_search但工具库里压根没这个可能是工具对了但参数个数不对lbs_to_kg只需要一个参数,它传了俩也可能是参数个数对了但值填错了该传120传成了100。Plan Evaluator需要针对这些常见问题设计检查逻辑在计划执行前就把明显的错误拦住避免浪费执行资源。递归搜索Agent前面介绍的架构本质上都是迭代式的但从算法角度看迭代能做的事递归也能做而且递归天然适合处理可分解的层次化问题。Sentient Labs就按照这个思路搞出了ROMARecursive Open Meta Agent。ROMA的核心思想是把复杂问题递归地分解成子问题每个子问题再独立处理。和普通的并行拆分不同ROMA的子问题之间可以有依赖关系——某个子问题的答案可能是另一个子问题的输入。这种设计更符合复杂研究任务的实际结构。上图是ROMA的简化版本完整架构还有一层基于依赖图的信息抽取机制。依赖图用来管理子问题之间的前后关系确保有依赖的任务按正确顺序执行。递归架构的优势在于理论上可以处理任意深度的复杂查询只要问题能被合理分解。但工程实现上也更有挑战需要处理好递归深度控制、子问题结果合并、错误传播等问题。总结这几种架构并不是非此即彼的关系。Planner-Only适合入门实现简单调试方便加上评估器后系统变得更智能但复杂度和成本也跟着上来检查清单评分这类方案对长文档输出效果不错值得在特定场景下尝试而ROMA的递归思路理论上能处理更深层次的复杂查询不过工程实现的门槛也更高。实际落地时可以先从简单架构跑通再根据具体问题逐步叠加模块。毕竟Agent系统的调试本身就不容易一上来就搞太复杂容易把自己绕进去。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】