企业官网建设流程全解析

海口网站,网站源码怎么下载,宁波互联网企业排名,新手小白如何互联网创业在学习 AI 智能体#xff08;AI Agents#xff09;的记忆相关知识时#xff0c;被各种新术语搞得不知所措。一开始是 “短期记忆” 和 “长期记忆”#xff0c;后来又出现了 “程序性记忆”、“情景记忆” 和 “语义记忆”#xff0c;这就更混乱了。但等等#xff0c;“语…在学习 AI 智能体AI Agents的记忆相关知识时被各种新术语搞得不知所措。一开始是 “短期记忆” 和 “长期记忆”后来又出现了 “程序性记忆”、“情景记忆” 和 “语义记忆”这就更混乱了。但等等“语义记忆” 让我想到了一个熟悉的概念检索增强生成RAG。难道 AI 智能体的记忆是基础 RAG 演进到 AI 智能体化 RAG 之后的合理下一步本质上AI 智能体的记忆核心是 “将信息传入和传出大型语言模型LLM的上下文窗口”。至于这些信息被称为 “记忆” 还是 “事实”在这个抽象概念下并不重要。本文将从一个不同的角度介绍 AI 智能体的记忆。我们暂时不讨论 “短期记忆” 和 “长期记忆”而是从 “朴素 RAG” 概念逐步演进到 “AI 智能体化 RAG”再延伸到 “AI 智能体记忆”注这是一个简化的思维模型。AI 智能体记忆的完整主题在底层更为复杂涉及记忆管理系统等内容。一、RAG一次性只读模式检索增强生成RAG的概念由 Lewis 等人于 2020 年提出并在 2023 年左右开始流行。它是首个让 “无状态 LLM” 能够获取两类信息的概念一是过往对话内容二是 LLM 在训练过程中未接触过、未存储在模型权重中的知识即 “参数化知识”。朴素 RAGnaive RAG的工作流程核心很简单如下图所示离线索引阶段将额外信息存储到外部知识源比如向量数据库中查询阶段根据用户的查询从外部知识源中检索相关上下文将检索到的上下文与用户查询一起输入 LLM让 LLM 基于这些额外信息生成有依据的回复。以下伪代码展示了朴素 RAG 的工作流程# 第一阶段离线摄入 def store_documents(documents): # 定义“存储文档”函数 for doc in documents: # 遍历所有待存储文档 embedding embed(doc) # 对文档进行嵌入生成向量表示 database.store(doc, embedding) # 将文档及其向量存储到数据库 # 第二阶段在线检索生成 def search(query): # 定义“检索”函数 query_embedding embed(query) # 对用户查询进行嵌入 results database.similarity_search(query_embedding, top_k5) # 相似度检索取Top5结果 return results # 返回检索结果 def answer_question(question): # 定义“回答问题”函数 # 先检索再生成回复固定流程 context search(question) # 调用检索函数获取上下文 prompt f上下文{context}\n问题{question}\n答案 # 构造提示词 response llm.generate(prompt) # LLM生成回复 return response # 返回回复尽管朴素 RAG 能有效减少简单场景下 LLM 的 “幻觉”生成无依据内容但它存在一个关键局限从外部知识源检索信息时不会先判断 “是否需要这些信息”无论检索到的信息是否相关、是否正确都只进行一次检索所有额外信息都依赖单一外部知识源存储。这些局限意味着在更复杂的场景中如果检索到的上下文与用户查询无关甚至有误LLM 仍可能产生 “幻觉”。二、AI 智能体化 RAG通过工具调用实现只读AI 智能体化 RAGAgentic RAG解决了朴素 RAG 的诸多局限它将 “检索步骤” 定义为智能体可调用的一种工具。这一改变让 AI 智能体能够先判断 “是否需要额外信息”决定使用哪种工具进行检索比如存储专有数据的数据库 vs 网页搜索评估检索到的信息是否与用户查询相关。以下伪代码展示了 AI 智能体在 AI 智能体化 RAG 流程中如何调用SearchTool检索工具class SearchTool: # 定义“检索工具”类 def __init__(self, database): # 初始化工具关联数据库 self.database database def search(self, query): # 定义“检索”方法 query_embedding embed(query) # 对查询进行嵌入 results self.database.similarity_search(query_embedding, top_k5) # 相似度检索Top5 return results # 返回检索结果 def agent_loop(question): # 定义“智能体循环”函数核心逻辑 messages [{role: user, content: question}] # 初始化对话历史存入用户问题 while True: # 循环持续判断是否需要调用工具 # LLM生成响应同时告知其可使用SearchTool response llm.generate( messages, tools[SearchTool] ) if response.tool_calls: # 如果LLM决定调用工具 for tool_call in response.tool_calls: # 遍历所有工具调用请求 if tool_call.name search: # 若调用的是“检索工具” results search_tool.search(tool_call.arguments[query]) # 执行检索 # 将检索结果存入对话历史角色标记为“工具” messages.append({ role: tool, content: f检索结果{results} }) else: # 如果LLM不调用工具直接返回生成的回复 return response.content朴素 RAG 与 AI 智能体化 RAG 有一个共同点信息均在离线阶段存入数据库而非在推理inference阶段存储。这意味着AI 智能体只能 “检索” 数据无法在推理阶段对数据进行 “写入、修改或删除”。这一局限导致默认情况下朴素 RAG 和 AI 智能体化 RAG 系统都无法从过往交互中学习并改进。三、AI 智能体记忆通过工具调用实现读写AI 智能体记忆Agent Memory通过引入 “记忆管理概念”解决了朴素 RAG 和 AI 智能体化 RAG 的上述局限。它让 AI 智能体能够从过往交互中学习并通过更具个性化的方式提升用户体验。AI 智能体记忆的概念建立在 AI 智能体化 RAG 的基本原则之上它同样通过工具从外部知识源记忆库中检索信息。但与 AI 智能体化 RAG 不同的是AI 智能体记忆还能通过工具向外部知识源 “写入” 信息具体流程如下这一能力让 AI 智能体不仅能 “回忆”从记忆库中检索信息还能 “记住”向记忆库中存储信息。其最简单的实现形式是在一次交互结束后将原始对话历史存入一个集合collection之后AI 智能体可通过检索过往对话找到相关信息。若要进一步扩展还可让 “记忆管理系统” 生成对话摘要并存储以备后续参考甚至能让 AI 智能体在对话中主动识别重要信息比如用户提到喜欢用表情符号、或提及自己的生日并基于这些事件创建记忆。以下伪代码展示了 “ AI 智能体记忆” 如何在 AI 智能体化 RAG 的基础上通过新增WriteTool写入工具实现信息存储class SearchTool: # 定义“检索工具”类 def __init__(self, database): # 初始化工具关联数据库 self.database database def search(self, query): # 定义“检索”方法 results self.database.search(query) # 执行检索 return results # 返回检索结果 # 为简化演示此处仅定义“写入工具”实际中还可添加“更新、删除、整合”等工具 class WriteTool: # 定义“写入工具”类 def __init__(self, database): # 初始化工具关联数据库 self.database database def store(self, information): # 定义“存储”方法 self.database.store(information) # 将信息存入数据库 def agent_loop(question): # 定义“智能体循环”函数核心逻辑 messages [{role: user, content: question}] # 初始化对话历史存入用户问题 while True: # 循环持续判断是否需要调用工具 # LLM生成响应同时告知其可使用SearchTool和WriteTool response llm.generate( messages, tools[SearchTool, WriteTool] ) if response.tool_calls: # 如果LLM决定调用工具 for tool_call in response.tool_calls: # 遍历所有工具调用请求 if tool_call.name search: # 若调用“检索工具” results search_tool.search(tool_call.arguments[query]) # 执行检索 # 将检索结果存入对话历史 messages.append({ role: tool, content: results }) elif tool_call.name store: # 若调用“写入工具” result write_tool.store( tool_call.arguments[information] # 获取待存储信息 ) # 将存储结果存入对话历史 messages.append({ role: tool, content: result }) else: # 如果LLM不调用工具直接返回生成的回复 return response.content四、这一简化思维模型的局限性正如本文开头所说上述对 AI 智能体记忆的对比仅为 “简化思维模型”它帮助我将 “ AI 智能体记忆” 与已熟悉的 RAG 概念关联起来但为了避免让大家误以为 “AI 智能体记忆只是‘带写入功能的 AI 智能体化 RAG’”需要强调这一简化模型的几个局限性单一记忆源的简化为清晰起见上述模型仅展示了 “单一记忆源”但实际应用中不同类型的记忆可使用不同的存储源。例如可参考 CoALA 论文的思路为以下三类记忆分别建立独立的数据集“程序性记忆”如 “与该用户互动时使用表情符号”“情景记忆”如 “用户在 10 月 30 日提到过计划旅行”“语义记忆”如 “埃菲尔铁塔高 330 米”此外还可单独为 “原始对话历史” 建立数据集。缺少复杂记忆管理策略上述模型仅涵盖了 “CRUD 操作”创建、读取、更新、删除但未包含更复杂的记忆管理策略比如MemGPT记忆生成式预训练 Transformer中提到的高级策略。新增挑战未体现尽管 AI 智能体记忆实现了 “记忆持久化”但也带来了 RAG 和 AI 智能体化 RAG 没有的新挑战例如 “记忆损坏”以及对 “遗忘” 等记忆管理策略的需求。五、总结本质上RAG、AI 智能体化 RAG 和 AI 智能体记忆的核心差异在于 “如何对外部知识源比如文本文件、数据库中存储的信息进行创建、读取、更新和删除CRUD”。类型信息存储方式信息检索方式信息编辑与删除方式RAG在摄入阶段离线进行一次性检索需手动操作AI智能体化 RAG在摄入阶段离线进行通过工具调用动态检索需手动操作AI 智能体记忆通过工具调用动态存储通过工具调用动态检索通过工具调用动态操作最初优化朴素 RAG 的核心焦点在于 “检索环节”比如采用向量检索、混合检索、关键词检索等不同技术即 “如何检索信息”随后焦点转向 “工具选择”即 “是否需要检索信息若需要从哪个知识源检索”过去一年随着 AI 智能体记忆的兴起焦点再次转移RAG 和 AI 智能体化 RAG 均以 “检索” 为核心而 AI 智能体记忆则融入了对外部知识源中数据的 “创建、修改和删除” 操作核心变为 “如何管理信息”。六、如何系统的学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。一直在更新更多的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】01.大模型风口已至月薪30K的AI岗正在批量诞生2025年大模型应用呈现爆发式增长根据工信部最新数据国内大模型相关岗位缺口达47万初级工程师平均薪资28K数据来源BOSS直聘报告70%企业存在能用模型不会调优的痛点真实案例某二本机械专业学员通过4个月系统学习成功拿到某AI医疗公司大模型优化岗offer薪资直接翻3倍02.大模型 AI 学习和面试资料1️⃣ 提示词工程把ChatGPT从玩具变成生产工具2️⃣ RAG系统让大模型精准输出行业知识3️⃣ 智能体开发用AutoGPT打造24小时数字员工熬了三个大夜整理的《AI进化工具包》送你✔️ 大厂内部LLM落地手册含58个真实案例✔️ 提示词设计模板库覆盖12大应用场景✔️ 私藏学习路径图0基础到项目实战仅需90天第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。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】