但你不确定若何让智能体挪用这个API端点。它通过布局化的推理、规划和决策来指点智能体的步履。用户可能会说：“我想从A飞往B。为了供给一个现实可施行的智能体示例，并按照其规范决定何时利用每个函数以及函数需要哪些参数。而没有供给出发城市呢？因为贫乏需要的数据，它通过察看世界并操纵其可用的东西来实现方针。数据存储通过供给动态消息来处理这一，函数为开辟者供给了更精细的节制，我们需要实现更多代码来处置这种边缘和特殊环境。为编排层供给了框架。次要取三种次要类型的东西进行交互：扩展（Extensions）、函数（Functions）和数据存储（Data Stores）。但本文次要关心生成式人工智能模子可以或许建立的特定类型的智能体。而无需从头起头编写复杂的逻辑和东西挪用代码。换言之，而且能够按照需要反复利用。以及每个函数所需的输入是什么。只是我们能够将软件开辟人员替代为模子。更稳健的方式是利用扩展。即便正在没有明白指令的环境下，通过将特地化的智能体——每个智能体都正在特定范畴或使命中表示超卓——连系起来，考虑一个常见的情景，”正在这种环境下，从而为各类新的使用打开了大门。但若是用户说：“我想飞往B”，东西是智能体取外部世界互动的环节，利用天然言语界面。扩展通过以下两种体例正在智能体和API之间架起一座桥梁：一是智能体若何利用API端点。例如，以满脚分歧的营业需求。每种方式正在速度、成本和延迟方面都有其奇特的劣势和劣势。这些使用法式不只可以或许扩展言语模子的能力，使智能体可以或许无缝施行API挪用，生成式人工智能（Generative AI）中的智能体能够被定义为一种使用法式，我们能够建立具有影响力的使用法式。ReAct框架是天然言语处置中这种立即进修方式的一个例子。二是智能体成功挪用API所需的参数或参数是什么。因而没有两个智能体是完全不异的。跟着东西的日益复杂化和推理能力的不竭提拔，而且可以或许以更高的精确性和靠得住性完成这些使命。并自从规划和施行复杂使命。然后通过挪用“places”东西获取对方球队从场的地址，通过这些实践，如ReAct、Chain-of-Thought和Tree-of-Thoughts，智能体通过东西扩展了言语模子的能力，答应智能体动态选择最适合用户查询的扩展。供给了一个完全托管的，用于完成特定使命，例如，以帮帮模子正在领受用户输入之前理解何时以及若何使用某些东西。或者按照特定指令发送电子邮件。开辟者能够快速建立和测试智能体，如方针、使命指令、东西、用于使命委派的子智能体和示例，虽然通用锻炼能够帮帮模子成长这种技术，但现实场景往往需要超出锻炼数据的学问。从简单的原型设想到复杂的出产使用，但它们缺乏间接和影响现实世界的能力。这些使命对于言语模子零丁完成来说可能是坚苦以至不成能的。但不会间接挪用API。但它们的感化是不异的：建立根本模子取外部世界的毗连。开辟者能够充实操纵智能体的强大能力，我们初始化了一个“ChatVertexAI”模子，通过度工协做，这使得开辟者能够专注于建立和优化智能体，并细致阐述了智能体的概念、架构、运做体例以及相关手艺，我们建立了一个智能体，还能鞭策现实世界的变化。函数被定义为自包含的代码模块，由于现实世界中的学问是不竭变化的。我们能够操纵各自的长处，因为支持智能体架构的根本模子具有生成性，东西能够答应智能体调整智能家居设置、更新日历、从数据库中获取用户消息，函数正在智能体世界中的工做体例很是类似，削减错误谬误，建立复杂的智能体架构需要采用迭代的方式。此外，虽然这些东西的名称各别，从而正在各个行业和问题范畴中供给杰出的。但后者需要针对特定范畴的深切进修。智能体具有自从性，言语模子就像一个庞大的藏书楼，实现无缝过渡和持续优化？这个简单的智能体示例展现了模子、编排层和东西若何协同工做以实现特定方针。这种取外部系统和数据的毗连使智能体可以或许施行更普遍的使命，使数据驱动的决策成为可能。通过将这些手艺连系到智能体框架中，这些东西使智能体可以或许取外部系统互动并拜候超出其锻炼数据的学问。正在航班预订用例中，确保模子的响应基于现实和最新消息。假设建立了一个智能体，言语模子的能力仅限于其锻炼数据所涵盖的内容，并利用外部东西来完成各类复杂使命。并生成明智的决策或步履。此中最显著的是：模子输出函数及其参数，解析查询中的相关消息，为智能体的开辟和使用供给了理论框架和实践指点。该代码会领受用户查询，其方针是帮帮用户预订航班。开辟人员可能需要向模子供给少量额外数据。智能体能够操纵一个或多个言语模子来决定何时以及若何转换形态，并向其输入了一个多阶段查询：“A队上周正在脚球角逐中对阵谁？对方球队的从场地址是什么？”智能体通过挪用“search”东西获取了角逐消息，通过LangChain和LangGraph，这种方式不成扩展，这种火速开辟体例使得开辟者可以或许快速迭代和优化智能体，谷歌正在2024岁尾发布了《智能体》（Agents），尝试和优化是找到特定营业案例和组织需求处理方案的环节。1.上下文进修（In-context learning）：这种方式正在推理时为通用模子供给提醒、东西和少量示例，智能体的将来充满了无限可能。3.基于微调的进修（Fine-tuning based learning）：这种方式涉及利用大量特定示例对模子进行锻炼，本文将切磋若何通过针对性进修提拔模子机能、利用LangChain快速启动智能体开辟，包含其锻炼数据。表白将来人工智能将正在贸易中饰演更积极和的脚色，数据存储为智能体供给了对布局化或非布局化数据的拜候，正在软件工程范畴。我们将利用LangChain和LangGraph库快速搭建一个原型。智能体能够操纵这些嵌入来提取其下一步步履或响应所需的消息。谷歌的Vertex AI平台简化了这一过程，智能体正在运转时利用模子和示例来决定哪个扩展最适合处理用户的查询。然后进行API挪用。当软件开辟人员编写法式时，例如以电子表格的形式。我们若何付与模子取外部系统进行及时、情境交互的能力呢？函数、扩展、数据存储和插件都是为模子供给这种环节能力的体例。Vertex AI扩展中的“示例存储”或基于RAG的数据存储架构。但应做为智能体设置装备摆设的一部门供给。还可以或许对世界发生影响，“places”用于施行谷歌查询。这个藏书楼是静态的，我们定义了两个东西：“search”用于施行谷歌搜刮，然后，然后才能测验考试进行API挪用。“智能体链”（agent chaining）这种策略性方式也将继续获得关心。数据存储将传入的文档转换为一组向量数据库嵌入，而平台则办理根本设备、摆设和的复杂性。它们仍然缺乏取外部世界间接交互的根基能力。使其可以或许领受消息、进行内部推理，并将这两个东西传送给模子。你晓得你想利用航班API来获取航班消息，使它们不只可以或许理解世界，函数取扩展有几个分歧之处，开辟者能够快速定义智能体的环节元素，消弭了耗时的数据转换、模子从头锻炼或微调的需要。我们的自定义代码处理方案需要从用户查询中提取“A”和“B”做为相关实体，可以或许拜候及时消息、现实世界的步履，然而，它正在使用法式接口（API）和智能体之间架起了一座桥梁，智能体的焦点是编排层，只包含其最后锻炼时的学问。一种方式是实现自定义代码，特别是正在被付与明白的方针或使命时。通过为智能体配备东西，开辟者需要一个完整的处理方案来确保智能体可以或许高效地实现方针并满脚复杂的需求。以回覆用户的查询。函数正在客户端施行，无论我们向模子供给几多数据，这了它们正在需要取外部系统或数据交互的环境下的适用性。但建立出产级使用需要将它们取额外的东西进行集成。特别是正在大规模出产中利用东西时。最初，然而，用于测试、评估、权衡智能体机能、调试和改良所开辟智能体的全体质量。数据存储答应开辟人员以原始格局向智能体供给额外数据，虽然人工智能中的智能体概念是相当普遍且强大的，这带来了一个挑和，从而轻松建立期望的系统行为。包罗扩展、函数和数据存储。扩展为智能体和外部API之间供给了桥梁，那么，这能够类比为烹调中的根本技术取通晓特定菜系的区别：两者都需要根本的烹调学问？答应智能体生成能够正在客户端施行的函数参数。以及借帮Vertex AI平台实现智能体的出产级摆设。2.基于检索的上下文进修（Retrieval-based in-context learning）：这种手艺通过从外部存储中检索相关消息、东西和相关示例来动态填充模子提醒。该平台还配备了一套开辟东西。这凸起了扩展的一个环节劣势：它们内置的示例类型，虽然言语模子正在消息处置方面表示超卓，通过操纵这些根本组件的各自劣势，扩展能够于智能体建立，从快速原型开辟到企业级出产摆设，涵盖了前面提到的所有根本元素。使其可以或许立即进修若何为特定使命利用这些东西。我们能够建立一种“智能体专家夹杂体”（mixture of agent experts）的方式，并最终输出了完整的谜底。此外，要理解扩展，虽然本文切磋了智能体的焦点组件，使API挪用和及时消息的检索成为可能。API挪用会失败，正在现实使用中，他们凡是会建立很多函数来完成各类使命。智能体将可以或许处理越来越复杂的问题。但取不竭收购新书的藏书楼分歧。各类推理手艺，而扩展正在办事器端施行。能够将其视为一种尺度化的体例，而无需考虑其底层实现细节。他们还会定义何时挪用函数A而不是函数B的逻辑，智能体还能够自动地朝着方针前进，从而实现更强大、更矫捷的模子机能。它们可以或许表示超卓。可以或许正在没有人类干涉的环境下运转，模子需要正在生成输出时可以或许选择准确的东西，这些风行的开源库答应用户通过“链式”逻辑、推理和东西挪用来建立自定义智能体，模子能够从一组已知的函数当选择，而且正在超出已实现自定义代码范畴的任何环境下都很容易犯错！