营销型网站建设哪家好wordpress博客必备插件

营销型网站建设哪家好,wordpress博客必备插件,wordpress 音乐cms,建湖做网站需要多少钱本文介绍AI Agent的上下文工程三大技术#xff1a;上下文摘要压缩历史保留重要信息#xff1b;工作流记忆记录经验供未来参考#xff1b;工具输出缓存仅保留ID引用。这些技术可减少token消耗#xff0c;降低认知负担#xff0c;提升性能效率#xff0c;避免信息丢失。绝大…本文介绍AI Agent的上下文工程三大技术上下文摘要压缩历史保留重要信息工作流记忆记录经验供未来参考工具输出缓存仅保留ID引用。这些技术可减少token消耗降低认知负担提升性能效率避免信息丢失。绝大多数智能体在执行一段时间后整个LLM的历史记录会变成下面这样的结构system prompttool descriptionuser prompttool call1tool call result1tool call2tool call result2tool call3tool call result3...对于复杂的场景可能会连续进行几十轮甚至上百轮的工具调用而越到后面前面的工具调用结果有极大的概率就用不到了但它还必须一直在上下文中对LLM增加认知负担的同时给推理造成了很大的压力token开销也会随之很大。你的智能体之所以会遗忘是因为你让它遗忘。实际上你对智能体的智能控制比你想象的要多而上下文工程就是实现这一点的美味秘方。上下文工程一直是CAMEL工程团队的主要关注点之一。我们不断思考如何将上下文控制权交给开发者让他们能够优化智能体的记忆以实现最大性能和效率。上下文工程不必复杂这听起来可能是个复杂术语但上下文工程实际上建立在一个非常简单的理念之上只给智能体提供实现目标所必需的信息。当你用低信号冗余信息污染上下文时模型的智能会受到挫折。这种上下文腐化会以各种方式损害智能体的能力例如回忆关键信息、选择正确的工具或遵循明确的提示指令。你可以阅读这篇博客文章了解长上下文如何失败以及如何修复。这篇博客文章不是对上下文工程技术的解释。有很多高质量文章解释了公司如何创造性地设计其智能体的上下文我不打算重复相同的信息。但随着你关于上下文工程及其在行业中的实际应用你会开始看到一些非常简单的技术你可以轻松学习并应用到自己的智能体中。为什么这很重要因为如果你开发智能体或者与它们一起工作你必须认真对待优化它们感知上下文的方法和技术。其中一些技术实际上是低垂的果实。它们不需要对你的工作智能体进行大量实施和更改但在性能和成本方面它们与驱动智能体的后端LLM同样有效。在这篇博客文章中…我们解释了CAMEL框架中实现的三种技术这些技术保持智能体记忆清洁和上下文清晰上下文摘要、工作流记忆和工具输出缓存。是的原理简单直观但实现起来却很复杂。你将看到我们在智能体工作流中遇到的实际问题我们用于优化上下文的方法还有哪些需要完成的工作**以及你如何提供帮助**我们还在CAMEL仓库中开放了一些问题以便你可以参与其中挑战自己提交修复让智能体记忆得更好。上下文摘要保留重要内容让我们想象一个你可能熟悉的场景。你提示你的智能体构建一个简单的文本转表情应用该应用从用户那里获取输入文本调用文本转图像模型创建表情向用户显示将其存储在PostgreSQL数据库中最后处理身份验证以便用户可以登录到他们的账户。智能体构建了一个完美的应用UI看起来足够好表情图像看起来不错然后哎呀…图像没有存储在数据库中肯定有bug。于是智能体开始搜索网络寻找原因检查版本甚至查看官方文档。这个过程花费的时间比你预期的要长得多现在一个简单的子任务变成了智能体的主要问题已经花费了10分钟来解决。智能体最终找到了根本原因但这里有个问题让我们看看我们假设智能体的假设上下文看看出了什么问题一个简单的bug修复或支线任务可能会完全取代智能体的目的和token消耗。如果你使用过Cursor或Claude Code等编码智能体你很可能经历过这种偏离对于通用智能体也是如此。这就是上下文摘要的目的。它获取对话将其分解为最关键的部分专注于重要内容丢弃不重要的内容。现在上下文摘要是一种常见的上下文管理技术用于多种情况智能体使用了其上下文窗口的大部分例如80%。上下文被支线任务偏离你想刷新它。你想在另一次运行中引用此会话因此需要所发生事情的摘要。摘要是你可以在各种场景中使用的瑞士军刀是你智能体工具箱中的必备品。上下文摘要在CAMEL中的使用方式CAMEL提供三种主要方法进行上下文摘要基于token的自动摘要ChatAgent监控token使用情况并自动触发摘要。手动摘要API开发者显式调用因此即使你想在认为合适时摘要上下文也能完全控制。基于工具包的摘要智能体可访问的工具用于摘要完整上下文并搜索已摘要的消息。尽管这些方法略有不同但核心摘要过程遵循相同的模式。在这个工作流中最关键的部分是什么当然是提示。摘要提示告诉智能体如何摘要上下文关注什么内容以及如何处理非信息性部分。提示才是真正决定这种方法成败的关键。这对我们来说是一个不断发展的部分我们不断寻找改进提示的方法以实现最大清晰度和最佳结果——尽管我们也允许开发者使用他们的自定义提示。我们指导智能体从对话历史中提取关键信息包括用户的主要请求、仍需完成的工作如果你想将其传递给新的对话这是必要的、当前正在进行的工作等。在token限制上下文摘要的情况下我们还传递一个最小的用户消息列表这些消息不消耗太多token但信息量很大减少我们对LLM摘要的依赖以保持完整画面毕竟LLM摘要可能不可靠或遗漏某些部分因此我们必须采取预防措施。https://github.com/camel-ai/camel/issues/3371https://github.com/camel-ai/camel/issues/3372https://github.com/camel-ai/camel/issues/3373https://github.com/camel-ai/camel/issues/3374工作流记忆过去的经验很重要你要求你的智能体获取机器学习数学方面可用的顶级免费书籍列表然后为每本书创建CSV包括描述、主题、先决条件、链接等。智能体搜索网络找到一些标题但无法阅读archive.org网站上的一些书籍。它尝试了一些方法搜索了一段时间最终找到了成功的方法。智能体花了五分钟弄清楚自己做错了什么这对于智能体运行来说完全没问题但如果我们需要在未来再次执行类似任务特别是如果这是一个重复的工作流这就是一个问题。工作流记忆用一个简单的想法解决了这个问题记录你学到的关于解决此任务的内容以便为未来的类似问题制定清晰的策略。重要的复杂细节在幕后工作流记忆是围绕上下文摘要的包装器。关键是要保持这个摘要足够通用以便在类似任务中有用但同时足够详细以便在实践中有益和有用。以下是我们要求智能体摘要的内容列表以及用于描述每个内容的提示任务标题主要任务的简短通用标题例如在Slack上提醒每周会议任务描述用户要求的一段落摘要。没有实现细节只是用户想要的结果。解决步骤智能体完成任务所采取的编号、有序操作。每个步骤以动词开头并且足够通用以可重复。工具使用的工具调用或函数调用的项目符号列表。对于每个名称→做了什么→为什么有用每行一个。此字段明确用于工具调用消息或使用的MCP服务器。失败和恢复策略[可选]每个事件的症状、原因如果已知、修复/解决方法、恢复验证的项目符号。如果没有失败留空。备注和观察[可选]先前字段未涵盖的任何对任务未来执行至关重要的内容。如果没有备注留空。不要重复任何信息或提及琐碎细节。只包括必要的。标签3-10个分类标签描述工作流类型、领域和关键能力。使用小写字母和连字符。标签应该是广泛的、可重用的类别以帮助与类似任务进行语义匹配。加载正确的工作流智能体如何为当前任务找到正确的工作流记忆我们通过三种过滤方法帮助智能体开发者可以传递他们认为与当前任务最相关的特定会话。工作流记忆以智能体的role_name作为文件名保存例如researcher_agent_workflow.md同一智能体可以找到自己先前保存的工作流这很可能是需要的工作流。智能体提供完整的工作流信息列表所有工作流的标题、简洁描述和标签。然后它可以选择最多N个最相关的工作流。然后从内存中清除此选择过程以节省上下文。你可能已经注意到我们避免使用RAG来检索工作流。这是一个有意识的决定以避免RAG带来的不必要复杂性和不确定性这对于这个用例来说绝对不需要。如果我们到了有太多工作流[.md]文件需要RAG的地步工作流记忆的一个关键原则就被违背了为每个智能体拥有少量动态的外部记忆文件。研究中的工作流工作流记忆是一个新功能自然有很多需要学习和改进的地方。它的有效性已在研究中进行了实验并在一篇论文中进行了基准测试作者报告了在网络导航任务中的显著收益你可以阅读并了解更多关于这种技术。在工作流方面有多个改进领域这些领域再次被转化为适合感兴趣开发者的可处理问题https://github.com/camel-ai/camel/issues/3375‍工具输出缓存一个警示故事研究论文只挑选效果最好的内容。但我们不是。工具输出缓存是CAMEL开发者为保持智能体上下文清洁所做的另一项努力但后来被撤销了。原因是担心信息丢失和性能下降。虽然这不是一个失败的尝试只是需要更多的改进和测试但将其作为一个警示故事来学习是有益的看看为了效率而过度设计上下文可能会阻碍智能体的智能。这代表了内存管理的一个基本挑战token效率 vs 准确性。工具输出很无聊嗯不完全是这样但它们是一个处理挑战。工具是使智能体成为智能体的重要组成部分。然而虽然工具输出绝对必要但它们在服务目的后通常不再有用。# 智能体搜索网络from camel.toolkits import SearchToolkittool_result_1 SearchToolkit.search_google(AI agent frameworks)# 返回4,250个字符的搜索结果包含片段、URL、元数据# 智能体读取大文件from camel.toolkits import FileToolkittool_result_2 FileToolkit.read_file(documentation.md)# 返回8,100个字符的markdown文档# 智能体进行10次以上的工具调用# 每个后续的LLM调用都包含所有先前的工具结果# → 上下文中60,000个token的工具输出# → 上下文窗口被过时的工具数据污染工具结果通常只需要一次但永远留在上下文中。这在长视野的现实世界任务中尤其是一个定时炸弹智能体将进行大量工具调用。在上下文之外保存工具输出处理这个问题的一种方法是将工具输出存储在LLM上下文之外比如保存到磁盘上的markdown文件只在上下文中保留一个ID引用。这样如果你以后需要完整输出可以通过ID检索。CAMEL实现此策略的方法很简单监控工具结果大小并识别长度是否2000个字符保持最新的工具输出完整缓存较旧的详细输出用引用替换完整输出包含预览前160个字符提供检索说明以便智能体在必要时可以加载完整输出理论上这将大大节省token消耗。你必须知道如果你接触智能体的程度不超过课程和教程代码那么工具比get_weather API更复杂。像Playwright或浏览器自动化智能体这样的网络导航工具可以返回极大的输出甚至可能是整个网页的DOM这很容易超过10,000个token。一点警示像任何上下文工程技术一样你必须小心不要以准确性下降为代价换取额外的效率。以下是工具输出缓存可能产生负面影响的一些方式。信息丢失智能体处理详细工具输出→系统缓存它并用预览引用替换→智能体稍后看到预览并认为不需要完整输出→基于不完整数据做出决策。智能体的认知负荷智能体必须识别何时/是否需要完整输出在正确时间调用检索函数跟踪哪些缓存ID与哪些输出相关并决定预览是否足够。这是一个额外的认知负荷与解决用户提供的任务没有直接关系。我们相信工具输出缓存的完整、万无一失的实现可能非常有价值。对于好奇的读者我们创建了一个问题将这个功能重新激活并确保它服务于上下文清洁的目的。未来之路虽然这些方法得到了研究和行业最佳实践的支持但我们的使命是确保它们在CAMEL仓库中具有实质性的收益。我们通过以下方式承诺实施新技术以优化智能体的记忆。修复和改进现有方法。对现有方法进行基准测试并提高标准。关于上下文工程和内存管理特别有趣的是由于这个领域的新颖性创造性和新颖技术的丰富性成为可能。智能体可以变得如此更智能和更高效不是通过更改LLM或花费更多金钱和计算资源而是通过简单地改变智能体如何看待对话及其内存管理方式这相当令人兴奋。这篇博客文章中涵盖的只是CAMEL为改善智能体记忆所付出努力的一部分。我们的愿望是通过这篇博客你更受启发在这个AI领域工作甚至可能利用这个机会开始你的开源之旅为每个问题打开PR审查和贡献其他人打开的问题或者如果你找到修复/改进这些技术的方法创建新问题。大模型未来如何发展普通人能从中受益吗在科技日新月异的今天大模型已经展现出了令人瞩目的能力从编写代码到医疗诊断再到自动驾驶它们的应用领域日益广泛。那么未来大模型将如何发展普通人又能从中获得哪些益处呢通用人工智能AGI的曙光未来我们可能会见证通用人工智能AGI的出现这是一种能够像人类一样思考的超级模型。它们有可能帮助人类解决气候变化、癌症等全球性难题。这样的发展将极大地推动科技进步改善人类生活。个人专属大模型的崛起想象一下未来的某一天每个人的手机里都可能拥有一个私人AI助手。这个助手了解你的喜好记得你的日程甚至能模仿你的语气写邮件、回微信。这样的个性化服务将使我们的生活变得更加便捷。脑机接口与大模型的融合脑机接口技术的发展使得大模型与人类的思维直接连接成为可能。未来你可能只需戴上头盔心中想到写一篇工作总结”大模型就能将文字直接投影到屏幕上实现真正的心想事成。大模型的多领域应用大模型就像一个超级智能的多面手在各个领域都展现出了巨大的潜力和价值。随着技术的不断发展相信未来大模型还会给我们带来更多的惊喜。赶紧把这篇文章分享给身边的朋友一起感受大模型的魅力吧那么如何学习AI大模型在一线互联网企业工作十余年里我指导过不少同行后辈帮助他们得到了学习和成长。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。因此我坚持整理和分享各种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。学习阶段包括1.大模型系统设计从大模型系统设计入手讲解大模型的主要方法。包括模型架构、训练过程、优化策略等让读者对大模型有一个全面的认识。2.大模型提示词工程通过大模型提示词工程从Prompts角度入手更好发挥模型的作用。包括提示词的构造、优化、应用等让读者学会如何更好地利用大模型。3.大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统。从需求分析、方案设计、到具体实现详细讲解如何利用大模型构建实际应用。4.大模型知识库应用开发以LangChain框架为例构建物流行业咨询智能问答系统。包括知识库的构建、问答系统的设计、到实际应用让读者了解如何利用大模型构建智能问答系统。5.大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域的大模型。包括微调的方法、技巧、到实际应用让读者学会如何针对特定领域进行大模型的微调。6.SD多模态大模型以SD多模态大模型为主搭建文生图小程序案例。从模型选择、到小程序的设计、到实际应用让读者了解如何利用大模型构建多模态应用。7.大模型平台应用与开发通过星火大模型、文心大模型等成熟大模型构建大模型行业应用。包括行业需求分析、方案设计、到实际应用让读者了解如何利用大模型构建行业应用。学成之后的收获•全栈工程实现能力通过学习你将掌握从前端到后端从产品经理到设计再到数据分析等一系列技能实现全方位的技术提升。•解决实际项目需求在大数据时代企业和机构面临海量数据处理的需求。掌握大模型应用开发技能将使你能够更准确地分析数据更有效地做出决策更好地应对各种实际项目挑战。•AI应用开发实战技能你将学习如何基于大模型和企业数据开发AI应用包括理论掌握、GPU算力运用、硬件知识、LangChain开发框架应用以及项目实战经验。此外你还将学会如何进行Fine-tuning垂直训练大模型包括数据准备、数据蒸馏和大模型部署等一站式技能。•提升编码能力大模型应用开发需要掌握机器学习算法、深度学习框架等技术这些技术的掌握将提升你的编码能力和分析能力使你能够编写更高质量的代码。学习资源AI大模型学习路线图为你提供清晰的学习路径助你系统地掌握AI大模型知识。100套AI大模型商业化落地方案学习如何将AI大模型技术应用于实际商业场景实现技术的商业化价值。100集大模型视频教程通过视频教程你将更直观地学习大模型的技术细节和应用方法。200本大模型PDF书籍丰富的书籍资源供你深入阅读和研究拓宽你的知识视野。LLM面试题合集准备面试了解大模型领域的常见问题提升你的面试通过率。AI产品经理资源合集为你提供AI产品经理的实用资源帮助你更好地管理和推广AI产品。获取方式 有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】