圖 1：通用智能體架構(gòu)和組件 - 該圖展示了智能體的典型架構(gòu),，包括模型,、編排層、工具和用戶查詢之間的交互關(guān)系,。

目前,，一些主流的提示工程框架和推理技術(shù)包括：

• · ReAct: 一種提示工程框架，為語言模型提供了一種推理 (Reason) 和行動(dòng) (Act) 的策略,，無論是否有上下文示例,。ReAct 提示已被證明優(yōu)于多個(gè) SOTA 基線,，并提高了 LLM 的可解釋性和可信度。
• · Chain-of-Thought (CoT): 一種通過中間步驟實(shí)現(xiàn)推理能力的提示工程框架,。CoT 具有多種子技術(shù),，包括自洽性,、主動(dòng)提示和多模態(tài) CoT,，每種技術(shù)都具有其自身的優(yōu)勢(shì)和劣勢(shì)，具體取決于具體的應(yīng)用場(chǎng)景,。
• · Tree-of-Thoughts (ToT): 一種適用于探索或戰(zhàn)略前瞻任務(wù)的提示工程框架,。它對(duì)思維鏈提示進(jìn)行了泛化，并允許模型探索各種思維鏈,，這些思維鏈作為使用語言模型解決一般問題的中間步驟,。

例如，一個(gè)被編程為使用 ReAct 框架來為用戶查詢選擇正確行動(dòng)和工具的智能體,，其事件序列可能如下所示：

1. 1. 用戶向智能體發(fā)送查詢
2. 2. 智能體開始 ReAct 序列
3. 3. 智能體向模型提供一個(gè)提示,，要求它生成下一個(gè) ReAct 步驟及其相應(yīng)的輸出：
• · 問題 (Question): 用戶查詢中的輸入問題，隨提示一起提供,。
• · 思考 (Thought): 模型關(guān)于下一步應(yīng)該做什么的思考,。
• · 行動(dòng) (Action): 模型決定采取的行動(dòng)。
• · 這是可能發(fā)生工具選擇的地方,。
• · 例如,，一個(gè)行動(dòng)可能是 [航班, 搜索, 代碼, 無] 中的一個(gè)，其中前三個(gè)代表模型可以選擇的一個(gè)已知工具,，最后一個(gè)代表“無工具選擇”,。
• · 行動(dòng)輸入 (Action Input): 模型決定向工具提供的輸入（如果有）。
• · 觀察 (Observation): 行動(dòng)/行動(dòng)輸入序列的結(jié)果,。
• · 這種思考/行動(dòng)/行動(dòng)輸入/觀察可以根據(jù)需要重復(fù) N 次,。
• · 最終答案 (Final Answer): 模型提供的原始用戶查詢的最終答案。
4. 4. ReAct 循環(huán)結(jié)束,，并將最終答案提供給用戶,。

圖 2：具有 ReAct 推理的智能體示例 - 該圖展示了一個(gè)智能體使用 ReAct 框架與用戶交互，并最終調(diào)用 'Flights' 工具查詢航班信息的完整流程,。

3. 工具：智能體的外部世界

截至本文發(fā)布之日,，Google 模型能夠交互的主要工具類型有三種：擴(kuò)展 (Extensions)、函數(shù) (Functions) 和數(shù)據(jù)存儲(chǔ) (Data Stores),。 通過為智能體配備工具,，我們釋放了它們理解世界并對(duì)其采取行動(dòng)的巨大潛力，為無數(shù)新的應(yīng)用和可能性打開了大門,。

3.1 擴(kuò)展 (Extensions)

擴(kuò)展以標(biāo)準(zhǔn)化的方式橋接了 API 和智能體之間的鴻溝,，使智能體能夠無縫地執(zhí)行 API,，而無需考慮其底層實(shí)現(xiàn)。 可以將擴(kuò)展理解為 API 和智能體之間的橋梁,，它以標(biāo)準(zhǔn)化的方式使智能體能夠無縫執(zhí)行 API,，而無需考慮 API 的底層實(shí)現(xiàn)。假設(shè)您構(gòu)建了一個(gè)旨在幫助用戶預(yù)訂航班的智能體,。您知道您想使用 Google Flights API 來檢索航班信息,，但不確定如何讓您的智能體調(diào)用此 API 端點(diǎn)。

圖 3：智能體如何與外部 API 交互,？- 該圖展示了在沒有擴(kuò)展的情況下,，智能體需要自定義代碼來解析用戶查詢并調(diào)用 API，這種方式難以擴(kuò)展且容易出錯(cuò),。

一種方法可以是實(shí)現(xiàn)自定義代碼,，該代碼將接收傳入的用戶查詢，解析查詢以獲取相關(guān)信息,，然后進(jìn)行 API 調(diào)用,。例如，在航班預(yù)訂用例中,，用戶可能會(huì)說“我想預(yù)訂從奧斯汀到蘇黎世的航班”,。在這種情況下，我們的自定義代碼解決方案將需要在嘗試進(jìn)行 API 調(diào)用之前,，從用戶查詢中提取“奧斯汀”和“蘇黎世”作為相關(guān)實(shí)體,。但是，如果用戶說“我想預(yù)訂飛往蘇黎世的航班”而沒有提供出發(fā)城市怎么辦,？在沒有所需數(shù)據(jù)的情況下,，API 調(diào)用將失敗，并且需要實(shí)現(xiàn)更多代碼才能捕獲這樣的邊緣和極端情況,。這種方法不可擴(kuò)展,，并且在任何超出已實(shí)現(xiàn)自定義代碼的場(chǎng)景中都很容易出錯(cuò)。

一個(gè)更具彈性的方法是使用擴(kuò)展,。 擴(kuò)展通過以下方式連接智能體和外部 API：

1. 1. 使用示例指導(dǎo)智能體如何使用 API 端點(diǎn),。
2. 2. 指導(dǎo)智能體成功調(diào)用 API 端點(diǎn)所需的參數(shù)。

圖 4：擴(kuò)展將智能體連接到外部 API - 該圖展示了擴(kuò)展如何通過提供示例和參數(shù)信息,，幫助智能體更便捷地調(diào)用外部 API,。

擴(kuò)展可以獨(dú)立于智能體進(jìn)行構(gòu)建，但應(yīng)作為智能體配置的一部分提供,。智能體使用模型和示例在運(yùn)行時(shí)決定哪個(gè)擴(kuò)展（如果有）適合解決用戶的查詢,。這凸顯了擴(kuò)展的一個(gè)關(guān)鍵優(yōu)勢(shì)，即其內(nèi)置的示例類型，允許智能體動(dòng)態(tài)地選擇最合適的擴(kuò)展來完成任務(wù),。

圖 5：智能體,、擴(kuò)展和 API 之間的 1 對(duì)多關(guān)系 - 該圖展示了一個(gè)智能體如何配置多個(gè)擴(kuò)展，從而訪問不同的 API,，例如 Flights API,、Maps API 和 Weather API。

3.2 示例擴(kuò)展 (Sample Extensions)

為了簡(jiǎn)化擴(kuò)展的使用,，Google 提供了一些開箱即用的擴(kuò)展,，可以快速導(dǎo)入到您的項(xiàng)目中，并以最少的配置使用,。例如,，代碼片段 1 中的代碼解釋器擴(kuò)展允許您從自然語言描述中生成和運(yùn)行 Python 代碼,。

def invert_binary_tree(root):
    '''
    Inverts a binary tree.

    Args:
      root: The root of the binary tree.

    Returns:
      The root of the inverted binary tree.
    '''
    ifnot root:
        returnNone

    # Swap the left and right children recursively
    root.left, root.right = invert_binary_tree(root.right), invert_binary_tree(root.left)

    return root

# Example usage:
# Construct a sample binary tree
root = TreeNode(4)
root.left = TreeNode(2)
root.right = TreeNode(7)
root.left.left = TreeNode(1)
root.left.right = TreeNode(3)
root.right.left = TreeNode(6)
root.right.right = TreeNode(9)

# Invert the binary tree
inverted_root = invert_binary_tree(root)

代碼片段 1. 代碼解釋器擴(kuò)展可以生成和運(yùn)行 Python 代碼

3.3 函數(shù) (Functions)

函數(shù)可以被視為執(zhí)行特定任務(wù)并可復(fù)用的自包含代碼模塊,。 在軟件工程領(lǐng)域，函數(shù)被定義為完成特定任務(wù)并且可以根據(jù)需要重復(fù)使用的自包含代碼模塊,。當(dāng)軟件開發(fā)人員編寫程序時(shí),，他們通常會(huì)創(chuàng)建許多函數(shù)來執(zhí)行各種任務(wù)。他們還將定義調(diào)用 function_a 與 function_b 的邏輯,，以及預(yù)期的輸入和輸出,。

函數(shù)在智能體領(lǐng)域中的工作方式非常相似，但我們可以用模型替換軟件開發(fā)人員,。模型可以采用一組已知函數(shù),，并根據(jù)其規(guī)范決定何時(shí)使用每個(gè)函數(shù)以及函數(shù)需要哪些參數(shù)。函數(shù)與擴(kuò)展的不同之處主要在于：

1. 1. 模型輸出函數(shù)及其參數(shù),，但不進(jìn)行實(shí)時(shí)的 API 調(diào)用,。
2. 2. 函數(shù)在客戶端執(zhí)行，而擴(kuò)展在智能體端執(zhí)行,。

圖 7：函數(shù)如何與外部 API 交互,？- 該圖展示了函數(shù)調(diào)用與擴(kuò)展的區(qū)別，其中模型輸出函數(shù)名和參數(shù),，由客戶端負(fù)責(zé)執(zhí)行函數(shù)并調(diào)用 API,。

圖 8：客戶端控制與智能體端控制 - 該圖對(duì)比了擴(kuò)展和函數(shù)調(diào)用在控制流程上的差異，其中函數(shù)調(diào)用將 API 的實(shí)際調(diào)用放在了客戶端,。

3.3.1 使用案例 (Use Cases)

模型可以用于調(diào)用函數(shù),，以便為最終用戶處理復(fù)雜的客戶端執(zhí)行流程，在這種情況下,，智能體開發(fā)人員可能不希望語言模型管理 API 執(zhí)行（就像擴(kuò)展的情況一樣）,。讓我們考慮以下示例，其中一個(gè)智能體被訓(xùn)練成一個(gè)旅行禮賓員，與想要預(yù)訂度假旅行的用戶進(jìn)行交互,。目標(biāo)是讓智能體生成一個(gè)城市列表,，我們可以在我們的中間件應(yīng)用程序中使用該列表為用戶的旅行計(jì)劃下載圖像、數(shù)據(jù)等,。用戶可能會(huì)說這樣的話：

“我想和家人一起去滑雪旅行,，但我不確定去哪里?！?/span>

在對(duì)模型的典型提示中,，輸出可能如下所示：

當(dāng)然，以下是您可以考慮的家庭滑雪旅行城市列表：

• · 美國科羅拉多州克雷斯特德比特
• · 加拿大不列顛哥倫比亞省惠斯勒
• · 瑞士采爾馬特

雖然上述輸出包含我們需要的數(shù)據(jù)（城市名稱）,，但該格式并不適合解析,。通過函數(shù)調(diào)用，我們可以教會(huì)模型以結(jié)構(gòu)化樣式（如 JSON）格式化此輸出,，這更便于另一個(gè)系統(tǒng)解析,。 假設(shè)用戶提供相同的輸入提示，則來自函數(shù)的示例 JSON 輸出可能如代碼片段 5 所示,。

代碼片段 5. 用于顯示城市列表和用戶偏好的示例函數(shù)調(diào)用負(fù)載

圖 9：函數(shù)調(diào)用生命周期 - 該圖詳細(xì)展示了函數(shù)調(diào)用的各個(gè)步驟,，包括模型生成 JSON 響應(yīng)，客戶端解析并調(diào)用 API,，以及最終將結(jié)果返回給用戶的完整流程,。

3.3.2 函數(shù)示例代碼 (Function Sample Code)

為了從我們的滑雪度假場(chǎng)景中獲得上述輸出，讓我們構(gòu)建每個(gè)組件,，使其與我們的 gemini-1.5-flash-001 模型一起使用,。

首先，我們將 display_cities 函數(shù)定義為一個(gè)簡(jiǎn)單的 Python 方法,。

from typing import List, Optional

def display_cities(cities: List[str], preferences: Optional[str] = None) -> List[str]:
    '''根據(jù)用戶的搜索查詢和偏好提供城市列表,。

    Args:
        preferences (str): 用戶的搜索偏好，如滑雪,、
            海灘,、餐館,、燒烤等,。
        cities (List[str]): 推薦給用戶的城市列表。

    Returns:
        List[str]: 推薦給用戶的城市列表,。
    '''
    return cities

代碼片段 6. 用于顯示城市列表的函數(shù)的示例 Python 方法

接下來,，我們將實(shí)例化我們的模型，構(gòu)建工具,，然后將用戶的查詢和工具傳遞給模型,。執(zhí)行下面的代碼將產(chǎn)生如代碼片段底部所示的輸出。

> Function Name: display_cities
> Function Args: {'preferences': 'skiing', 'cities': ['Aspen', 'Vail', 'Park City']}

代碼片段 7. 構(gòu)建工具,，將其與用戶查詢一起發(fā)送到模型，并允許進(jìn)行函數(shù)調(diào)用

3.4 數(shù)據(jù)存儲(chǔ) (Data Stores)

數(shù)據(jù)存儲(chǔ)可以被視為一個(gè)大型的,、不斷更新的知識(shí)庫,。 可以將數(shù)據(jù)存儲(chǔ)想象成一個(gè)龐大的圖書館，其中包含其訓(xùn)練數(shù)據(jù),。但與不斷獲取新卷的圖書館不同,，這個(gè)圖書館保持靜態(tài)，僅保存最初訓(xùn)練時(shí)的知識(shí),。這提出了一個(gè)挑戰(zhàn),，因?yàn)楝F(xiàn)實(shí)世界的知識(shí)在不斷發(fā)展。數(shù)據(jù)存儲(chǔ)通過提供對(duì)更動(dòng)態(tài)和最新信息的訪問來解決此限制,，并確保模型的響應(yīng)始終基于事實(shí)和相關(guān)性,。 數(shù)據(jù)存儲(chǔ)允許開發(fā)人員以其原始格式向智能體提供額外數(shù)據(jù)，從而無需耗時(shí)的數(shù)據(jù)轉(zhuǎn)換,、模型重新訓(xùn)練或微調(diào),。數(shù)據(jù)存儲(chǔ)將傳入文檔轉(zhuǎn)換為一組向量數(shù)據(jù)庫嵌入，智能體可以使用這些嵌入來提取所需信息,，以補(bǔ)充其下一個(gè)操作或?qū)τ脩舻捻憫?yīng)。

圖 10：智能體如何與結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)交互,？- 該圖展示了智能體如何通過數(shù)據(jù)存儲(chǔ)訪問私有文檔,、網(wǎng)站和結(jié)構(gòu)化數(shù)據(jù)等不同類型的數(shù)據(jù)源。

圖 11：數(shù)據(jù)存儲(chǔ)將智能體連接到各種類型的新實(shí)時(shí)數(shù)據(jù)源 - 該圖展示了數(shù)據(jù)存儲(chǔ)如何將智能體與私有文檔,、網(wǎng)站和結(jié)構(gòu)化數(shù)據(jù)等數(shù)據(jù)源連接起來,，從而實(shí)現(xiàn) RAG 應(yīng)用。

3.4.1 實(shí)施與應(yīng)用 (Implementation and Application)

在生成式 AI 智能體的上下文中,，數(shù)據(jù)存儲(chǔ)通常被實(shí)現(xiàn)為向量數(shù)據(jù)庫,，它以向量嵌入的形式存儲(chǔ)數(shù)據(jù)，這是一種高維向量或數(shù)據(jù)的數(shù)學(xué)表示,。開發(fā)人員希望智能體在運(yùn)行時(shí)能夠訪問此向量數(shù)據(jù)庫,。雖然我們不會(huì)在這里深入介紹向量數(shù)據(jù)庫，但關(guān)鍵是要了解它們以向量嵌入的形式存儲(chǔ)數(shù)據(jù),，向量嵌入是一種提供的數(shù)據(jù)的高維向量或數(shù)學(xué)表示,。

近年來，將數(shù)據(jù)存儲(chǔ)與語言模型結(jié)合使用的最豐富的示例之一是實(shí)現(xiàn)基于檢索增強(qiáng)生成 (RAG) 的應(yīng)用,。 這些應(yīng)用程序試圖通過讓模型訪問各種格式的數(shù)據(jù)來擴(kuò)展模型知識(shí)的廣度和深度,，例如：

• · 網(wǎng)站內(nèi)容
• · PDF、Word 文檔、CSV,、電子表格等格式的結(jié)構(gòu)化數(shù)據(jù)
• · HTML,、PDF、TXT 等格式的非結(jié)構(gòu)化數(shù)據(jù)

圖 12：智能體和數(shù)據(jù)存儲(chǔ)之間的 1 對(duì)多關(guān)系 - 該圖展示了一個(gè)智能體如何配置多個(gè)數(shù)據(jù)存儲(chǔ),，從而訪問各種類型的預(yù)索引數(shù)據(jù),，例如非結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ)、網(wǎng)站數(shù)據(jù)存儲(chǔ)和結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ),。

每個(gè)用戶請(qǐng)求和智能體響應(yīng)循環(huán)的底層流程通常如圖 13 所示建模,。

1. 1. 用戶查詢被發(fā)送到嵌入模型以生成查詢的嵌入
2. 2. 然后使用像 SCaNN 這樣的匹配算法將查詢嵌入與向量數(shù)據(jù)庫的內(nèi)容進(jìn)行匹配
3. 3. 從向量數(shù)據(jù)庫中以文本格式檢索匹配的內(nèi)容并將其發(fā)送回智能體
4. 4. 智能體接收用戶查詢和檢索到的內(nèi)容，然后制定響應(yīng)或操作
5. 5. 將最終響應(yīng)發(fā)送給用戶

圖 13：基于 RAG 的應(yīng)用程序中用戶請(qǐng)求和智能體響應(yīng)的生命周期 - 該圖詳細(xì)展示了基于 RAG 的應(yīng)用中,，用戶查詢?nèi)绾伪晦D(zhuǎn)換為嵌入,，并與向量數(shù)據(jù)庫中的內(nèi)容進(jìn)行匹配，最終返回給用戶檢索到的內(nèi)容,。

圖 14：基于 RAG 的應(yīng)用示例 - 該圖展示了一個(gè)基于 RAG 的智能體如何使用 ReAct 框架,，通過查詢數(shù)據(jù)存儲(chǔ)來回答用戶的關(guān)于“育兒假政策”的問題。

3.5 工具總結(jié) (Tools Recap)

總而言之,，擴(kuò)展,、函數(shù)和數(shù)據(jù)存儲(chǔ)構(gòu)成了智能體在運(yùn)行時(shí)可以使用的幾種不同工具類型。每種工具都有其自己的用途,，并且可以根據(jù)智能體開發(fā)人員的判斷一起使用或單獨(dú)使用,。

4. 通過定向?qū)W習(xí)提升模型性能

有效利用模型的關(guān)鍵在于其選擇正確工具的能力,，尤其是在生產(chǎn)環(huán)境中大規(guī)模使用工具時(shí)。 雖然一般訓(xùn)練有助于模型發(fā)展這項(xiàng)技能,，但現(xiàn)實(shí)世界的場(chǎng)景通常需要超出訓(xùn)練數(shù)據(jù)的知識(shí),。可以將其想象為基本烹飪技能和掌握特定菜系之間的區(qū)別,。兩者都需要基本的烹飪知識(shí),，但后者需要有針對(duì)性的學(xué)習(xí)才能獲得更細(xì)致的結(jié)果。

為了幫助模型獲得此類特定領(lǐng)域的知識(shí),，存在幾種方法：

• · 情境學(xué)習(xí) (In-context learning): 這種方法在推理時(shí)為廣義模型提供提示,、工具和少量示例,，使其能夠“即時(shí)”學(xué)習(xí)如何以及何時(shí)將這些工具用于特定任務(wù)。ReAct 框架是自然語言中這種方法的一個(gè)示例,。
• · 基于檢索的情境學(xué)習(xí) (Retrieval-based in-context learning): 該技術(shù)通過從外部存儲(chǔ)器（例如 Vertex AI 擴(kuò)展中的“示例存儲(chǔ)”或前面提到的基于數(shù)據(jù)存儲(chǔ)的 RAG 架構(gòu)）中檢索最相關(guān)的信息,、工具和相關(guān)示例來動(dòng)態(tài)填充模型提示。
• · 基于微調(diào)的學(xué)習(xí) (Fine-tuning based learning): 在推理之前,，使用更大的特定示例數(shù)據(jù)集來訓(xùn)練模型,。這有助于模型在接收任何用戶查詢之前了解何時(shí)以及如何應(yīng)用某些工具。

5. 使用 LangChain 快速構(gòu)建智能體原型

LangChain 和 LangGraph 是兩個(gè)流行的開源庫,，允許用戶通過將邏輯,、推理和工具調(diào)用序列“鏈接”在一起來構(gòu)建自定義智能體，以回答用戶的查詢,。我們可以使用 gemini-1.5-flash-001 模型和一些簡(jiǎn)單的工具來快速構(gòu)建一個(gè)智能體原型,。例如，代碼片段 8 展示了如何使用 LangChain 和 LangGraph 構(gòu)建一個(gè)簡(jiǎn)單的智能體,，該智能體可以利用 SerpAPI（用于 Google 搜索）和 Google Places API 來回答用戶的多階段查詢,。

代碼片段 8. 基于 LangChain 和 LangGraph 的智能體及工具示例

執(zhí)行該程序后，您可以在代碼片段 9 中看到示例輸出,。

代碼片段 9. 代碼片段 8 中程序的輸出

6. 生產(chǎn)環(huán)境中的智能體應(yīng)用：Vertex AI Agents

雖然本白皮書探討了智能體的核心組件,，但構(gòu)建生產(chǎn)級(jí)應(yīng)用程序需要將它們與其他工具（如用戶界面、評(píng)估框架和持續(xù)改進(jìn)機(jī)制）集成,。Google 的 Vertex AI 平臺(tái)提供了一個(gè)完全托管的環(huán)境,，集成了上述所有基本元素，可以用于構(gòu)建生產(chǎn)級(jí)的智能體應(yīng)用,。該平臺(tái)提供了一套開發(fā)工具,，可用于測(cè)試、評(píng)估,、衡量智能體性能、調(diào)試和提高已開發(fā)智能體的整體質(zhì)量,。這使開發(fā)人員可以專注于構(gòu)建和完善其智能體,，而基礎(chǔ)架構(gòu)、部署和維護(hù)的復(fù)雜性則由平臺(tái)本身管理,。

在圖 15 中,，我們提供了一個(gè)在 Vertex AI 平臺(tái)上構(gòu)建的智能體的示例架構(gòu)，該平臺(tái)使用了諸如 Vertex 智能體構(gòu)建器,、Vertex 擴(kuò)展,、Vertex 函數(shù)調(diào)用和 Vertex 示例存儲(chǔ)等各種功能。該架構(gòu)包括許多生產(chǎn)就緒應(yīng)用程序所需的各種組件,。

圖 15：基于 Vertex AI 平臺(tái)的端到端智能體架構(gòu)示例 - 該圖展示了在 Vertex AI 平臺(tái)上構(gòu)建的智能體示例架構(gòu),，包括用戶界面,、智能體、函數(shù),、擴(kuò)展,、模型以及與外部 API（如 Google Places API 和向量搜索 API）的交互。

7. 總結(jié)：智能體的未來展望

智能體通過利用工具訪問實(shí)時(shí)信息,、建議現(xiàn)實(shí)世界的行動(dòng)以及自主規(guī)劃和執(zhí)行復(fù)雜任務(wù),，擴(kuò)展了語言模型的能力。智能體的核心是編排層,，它利用各種推理技術(shù)來指導(dǎo)其行動(dòng),。工具，如擴(kuò)展,、函數(shù)和數(shù)據(jù)存儲(chǔ),，充當(dāng)智能體通往外部世界的鑰匙。

智能體的未來充滿了令人興奮的進(jìn)步,，我們才剛剛開始觸及可能性的表面,。隨著工具變得更加復(fù)雜以及推理能力得到增強(qiáng)，智能體將有能力解決日益復(fù)雜的問題,?！爸悄荏w鏈”的戰(zhàn)略方法也將繼續(xù)獲得發(fā)展勢(shì)頭。通過結(jié)合各個(gè)領(lǐng)域的專業(yè)智能體,，我們可以創(chuàng)造一種“智能體專家組合”的方法,，能夠在各個(gè)行業(yè)和問題領(lǐng)域提供卓越的結(jié)果。

構(gòu)建復(fù)雜的智能體架構(gòu)需要迭代的方法,。實(shí)驗(yàn)和改進(jìn)是為特定業(yè)務(wù)案例和組織需求找到解決方案的關(guān)鍵,。通過利用這些基本組件中每一個(gè)的優(yōu)勢(shì)，我們可以創(chuàng)建有影響力的應(yīng)用程序,，擴(kuò)展語言模型的能力并驅(qū)動(dòng)現(xiàn)實(shí)世界的價(jià)值,。

8. 尾注 (References)

1. 1. ReAct: Synergizing Reasoning and Acting in Language Models - https:///abs/2210.03629
2. 2. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models - https:///pdf/2201.11903.pdf
3. 3. Self-Consistency Improves Chain of Thought Reasoning in Language Models - https:///abs/2203.11171
4. 4. Active Prompting with Chain-of-Thought for Large Language Models - https:///pdf/2302.12246.pdf
5. 5. Multimodal Chain-of-Thought Reasoning in Language Models - https:///abs/2302.00923
6. 6. Tree of Thoughts: Deliberate Problem Solving with Large Language Models - https:///abs/2305.10601
7. 7. Large Language Model Guided Tree-of-Thought - https:///abs/2305.08291
8. 8. Google Gemini Application - http://gemini.google.com
9. 9. OpenAPI Specification - https:///specification/