13｜构建基于TQA模式的AI Agent
徐昊
你好，我是徐昊，今天我们来继续学习 AI 时代的软件工程。
上节课我们介绍了三种通过大语言模型（Large Language Model，LLM）辅助用户故事编写的形式：通过 LLM 提取不可言说的业务知识，修改用户故事以及补充完善验收条件。
这三种方式都需要使用到一种特殊的 LLM 交互模式 TQA（Thought-Question-Answer），TQA 的主要用途是收集人的反馈，用以提高生成内容的质量。TQA 是从推理行动（Reason-Act，ReACT）演化出来的交互模式。那么今天我们就来学习如何构造一个 TQA 的 AI Agent。
推理行动（Reason-Act）
ReAct 是一种专门为了 LLM 能执行某些操作任务而设计的模式。举个例子，当 LLM 收到一个问题时，它可以选择执行一个动作来检索相关信息，然后利用检索到的信息来回答问题。通过 ReAct，LLM 可以超越其常规功能，利用自然语言推理解决复杂任务。
ReAct 也是目前最热门的一个 LLM 模式。前一阵子（2023 年底）大火的 ChatGPT Plugin，还有 Microsoft 开源的 Semantic Kernel 都是基于 ReAct 模式。
一个典型的 ReAct Prompting 通常包含四个部分：
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
1. TQA模式是一种用于收集人的反馈，以提高生成内容质量的交互模式，是从推理行动演化而来的。 2. 推理行动模式（ReAct）是为了让LLM能够执行操作任务而设计的模式，可以超越其常规功能，利用自然语言推理解决复杂任务。 3. ReAct模式成为了LLM与其他工具交互的主要模式，也被称作AI Agent，目前主流的LLM框架几乎都支持构建以ReAct为核心的AI Agent。 4. TQA模式提供了不同的响应步骤，用于验收条件编写，包括Thought/Question/Answer等部分，需要使用LLM API中的停止序列来实现人与LLM的互动问答。 5. 在构建基于TQA的AI Agent时，需要使用特定的提示词模板，并根据不同的LLM API设定停止序列，以实现人与LLM的互动问答。
仅可试看部分内容，如需阅读全部内容，请付费购买文章所属专栏
《徐昊 · AI 时代的软件工程》，新⼈⾸单¥98
《徐昊 · AI 时代的软件工程》，新⼈⾸单¥98
立即购买
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
登录 后留言
精选留言
由作者筛选后的优质留言将会公开显示，欢迎踊跃留言。
收起评论