两种LLM-based Agent架构
2023-10-24 18:18:30 1 举报用大模型的能力构建自动化Agent
作者其他创作
大纲/内容
Action
Generalize/Transfer
Action行动端
Action Production1、Memory Recollection2、Plan Following
Memory Operation1、Memory Reading2、Memory Writing3、Memory Reflection
Brain控制端
text
Memory Formats1、Languages；2、Databases3、Embeddings；4、Lists
Environment
FineTune
Recall
Generation Strategy1、Handcrafting Method2、LLM-Generation Method3、Dataset Alignment Method
Planning w/Feedback1、Environment Feedback2、Human Feedback3、Model Feedback
Memory
Knowledge
ToolsCalling API
Prompt
架构一
文本输入视觉输入听觉输入其他输入
外部工具
架构二
Planning/Reasoning
Profile Contents1、Demographic Information2、Personality Information3、Social Information
LLM
Action Impact1、Environments；2、New Actions3、Internal States
应用举例
Planning w/o Feedback1、Single-path Reasoning2、Multi-path Reasoning3、External Planner
Storage
Agent
Retrieve
用户需求
Profile
LLM应用扬长：充分理解自然语言的指令和任务避短：专业的事情交给Tools外部知识库辅助模型记忆外部工具辅助实时信息
Embediment
Decision Making
指令调优embedding调优安全性等
Perception感知端
Memory Structure1、Unified Memory2、Hybrid Memory
Action Space1、Tools；2、Self-Knowledge
Learn
Input
Action Target1、Task Completion；2、Exploration；3、Communication
结果输出
领域专业数据
Summary
Planning
0 条评论
下一页
