企业官网建设流程全解析

手机网站建设czyzj,网站建设最新时讯,西安百度公司官网,网络整合营销服务商本文解析了Agent模型中的思维链技术#xff0c;介绍了Claude的Interleaved Thinking、MiniMax的Thinking-in-Tools等不同实现方式。将思考内容带入上下文可提升多轮推理稳定性#xff0c;减少推理偏差#xff0c;并通过签名校验和加密保障安全性。思维链已成为Agent多步骤推…本文解析了Agent模型中的思维链技术介绍了Claude的Interleaved Thinking、MiniMax的Thinking-in-Tools等不同实现方式。将思考内容带入上下文可提升多轮推理稳定性减少推理偏差并通过签名校验和加密保障安全性。思维链已成为Agent多步骤推理的必需品能有效提升复杂任务处理效果但也带来模型稳定性挑战需要厂商提供纠错机制。关于 Agent 模型的思维链之前被几个高大上的词绕晕了claude 提出 Interleaved Thinking交错思维链MiniMax M2 用了同样的概念K2 叫 Thinking-in-ToolsDeepseek V3.2 写的是 Thinking in Tool-Usegemini 则是 Thought Signature思考签名。了解了下概念上比较简单基本是一个东西就是定义了模型思考的内容怎样在 Agent 长上下文里传递。是什么在25年年初 DeepSeek 的轰炸下思考模型大家都很熟悉了在 Chatbot 单轮对话中模型会先输出思考的内容再输出正文。再早的 GPT-o1 也一样只不过 o1 不把完整的思考内容输出。在 Chatbot 进行多轮对话时每一次思考的内容是不会再带入上下文的。每次到下一轮时思考的内容都会被丢弃只有用户 prompt 和模型回答的正式内容会加到上下文。因为在普通对话的场景下没必要更倾向于单轮对话解决问题长上下文会干扰模型也会增加 token 消耗。这些思考模型用到 Agent 上就是下图这样每次模型输出工具调用同时都会输出思考内容思考应该调什么工具为什么调但下次这个思考内容会被丢弃不会带入上下文Agent 的 loop 是用户输入 → 模型输出工具调用 → 调用工具得出结果 → 模型输入下一步工具调用 → 调用工具得出结果 → …. 直到任务完成或需要用户新的输入。这不利于模型进行多轮长链路的推理于是 claude 4 sonnet 提出把 thinking 内容带入上下文这个事内化到模型以提升 Agent 性能上下文的组织变成了这样就这样一个事称为 Interleaved Thinking其他的叫法也都是一样的原理。为什么要带 thinking面向 Chatbot 的模型倾向于一次性解决问题尽量在一次 thinking 后一次输出解决问题。Agent 相反倾向于多步不断跟环境(tool和user)交互解决问题。Agent 解决一个复杂问题可能要长达几十轮工具调用如果模型对每次调用工具的思考内容都抛弃只留下结果模型每次都要重新思考每一轮为什么要调这个工具接下来应该调什么工具。这里每一次的重新思考如果跟原来的思考推理有偏移最终的结果就会有很大的出入和不稳定这种偏移在多轮下几乎一定会发生。如果每一轮调用的思考内容都放回上下文里每次为什么调工具的推理逻辑上下文都有思维链完整就大大减少了模型对整个规划的理解难度和对下一步的调用计划的偏差。有没有带 thinking 内容对效果有多大差别MiniMax-M2提供了他们的数据在像 Tau 这种机票预订和电商零售场景的任务 benchmark 提升非常明显这类任务我理解需要操作的步数更多比如搜索机票→筛选过滤→看详情→下单→支付模型在每一步对齐前面的思路很重要同一个工具调用可能的理由随机性更大每一步的思考逻辑带上后更稳定。工程也能做这么一个简单的事不用模型支持直接工程上拼一下给模型是不是也一样比如手动把思考内容包在一个标签()里伪装成 User Message 或 ToolResult 的一部分放在里面也能达到保留思考的效果。很多人应该这样做过但跟模型原生支持还是有较大差别。工程手动拼接模型只会认为这部分仍是用户输入而且模型的训练数据和流程没有这种类型的用户输入和拼接效果只靠模型通用智能随意发挥。模型原生支持训练时就可以针对这样规范的上下文训练有标注大量的包含思考过程的trajectory轨迹数据训练响应的稳定性必然会提升这也是 Agent 模型的重点优化点之一。签名上述工具调用的 thinking 内容带到下一轮上下文不同的模型做了不同额外的处理主要是加了不同程度的签名有两种thinking 内容原文带签名校验claude 和 gemini 都为 thinking 的内容加了签名校验带到下一轮时模型会前置判断思考内容有没有被篡改。为什么要防 thinking 内容被篡改毕竟 prompt 也可以随便改同样是上下文的 thinking 内容改下也没什么。主要应该是篡改了模型的 thinking 内容会打乱模型的思路让效果变差这也是需要避免的。另外模型在训练和对齐时已经默认 thinking 是模型自己的输出不是用户随意的输入这是两个不同类型的数据如果实际使用时变成跟Prompt一样可随意篡改可能有未知的安全问题。不过国内模型目前没看到有加这个签名校验的。thinking 内容加密claude 在一些情况下不会输出自然语言的 thinking 内容而是包在redacted_thinking里是一串加密后的数据。而 gemini 2.5/3.0 的 Agent 思维链没有明文的 thinking 字段而是 thought_signature也是一串加密后的数据。用这种加密的非自然语言数据一个好处是它可以是对模型内部更友好、压缩率更大的数据表述方式也可以在一些涉及安审的场景下内容不泄露给用户。更重要的还是防泄漏这就跟最开始 GPT o1 不输出所有思考内容一样主要是为了不暴露思考过程模型发布后不会太轻易被蒸馏。最后目前 claude 4 sonnet、gemini 3 在 Agent 工具调用的场景下都强制要求带工具调用的思考内容和签名这个链路正常是能很大程度提升整体的推理执行效果是 Agent 多步骤推理的必需品。但目前 Agent 模型的稳定性还是个问题例如在某些场景下业务逻辑明确需要下一步应该调工具 A但模型思考后可能就是会概率性的调工具B在以前是可以直接 hack 替换调工具调用或手动插入其他工具调用没有副作用。但在思维链这套机制下比较麻烦因为没法替模型输出这个工具调用的思考内容一旦打破这个链对后续推理的效果和稳定性都会有影响。可能模型厂商后续可以出个允许上层纠错的机制例如可以在某个实际告诉函数工具选择错误重新思考原生支持弥补模型难以保障稳定的不足。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】