智能体(Agent)与工作流(Workflow)

一. 智能体(Agent):

1. 什么是智能体(Agent):

智能体（Agent）是我们运用大模型时所采纳的一种理念与实践方式，OpenAI应用研究主管翁丽莲(Lilian Weng)在其博客文章 LLM Powered Autonomous Agents 中，对 Agents 进行了定义: LLM + memory + planning skills + tool use，即大语言模型、记忆、任务规划、工具使用的集合。

2. 智能体(Agent)工作流程：

在构建一个高效且智能的 Agent 时，大型语言模型（LLM, Large Language Model）扮演着核心“大脑”的角色。
工作流程概述:

当大模型在遇见复杂问题的时候不要直接处理，先对任务进行一个规划（Planning），即对任务进行拆解，选择各个任务所需工具（Tool），再利用历史对话信息（Memory），最后执行。
三种关键能力概述:

planning skills: 将复杂问题拆解成可操作的步骤，规划出解决问题的有效路径。
tool use: 根据需要选择合适的工具，并生成正确的工具调用请求。
memory: 短期记忆，用于记住工具返回的结果和已完成的任务步骤；以及长期记忆，用来储存可以访问的知识库等外部信息资源。
3. 智能体(Agent)实践:

构建智能体(Agent)有很多平台，我们以扣子平台为例：


在此处与扣子助手对话，即可生成一个 Agent 模板。


根据上面的提示，最重要的就是选择自己模型所需要的功能，添加所需的插件，即可发布自己的 Agent 啦。
二. 工作流(Workflow):

1. 什么是工作流(Workflow):

工作流（Workflow）是一种描述业务过程的方法，它将工作流程中的各个步骤和规则抽象化，并通过计算机技术来实现这些流程的自动化。
2. 工作流(Workflow)工作流程：

我们上述看到的智能体（Agent）很简单，随着大模型的发展，复杂的工作任务无法通过单次 LLM 调用来解决。为了解决这个问题，专家如吴恩达（Andrew Ng）、伊塔马尔·弗里德曼（Itamar Friedman）和哈里森·蔡斯（Harrison Chase）等人引入了“工作流”（Workflow）和“流程工程”（Flow Engineering）的概念，利用多次且分阶段的LLM交互以及持续的反馈循环来处理复杂任务，从而达到更好的性能和结果。
工作流(Workflow)和智能体(Agent)的区别:

工作流(Workflow)和智能体(Agent)很像，但他俩的区别在于，工作流的任务需要我们人为的拆解，智能体(Agent)是靠大模型动态进行拆解。
3. 智能体(Agent)实践:

我们以扣子平台为例：


此处我们创建一个情感分析工作流：
工作流名称：sentiment_classify
工作流描述：Useful for when you want to classify the sentiment of a context
工作流节点组成：开始节点，大模型节点，结束节点




1). 开始节点：



2). 大模型节点：



提示词：

1. DEFINE ROLE AS "NLP专家":
2.     知识领域 = ["语言学", "互联网", "人工智能"]
3.     技能 = ["自然语言理解", "信息提取", "情感分析", "意图识别", "知识推理", "上下文关联学习", "实体识别"]
4.     经验 = "资深"
5.     任务 = "对文本进行情感分类，将其分类至对应的情感类别"
7. # 定义情感类别
8. sentiment_category_infos = [
9.     {"category": "积极", "description": "文本内容表达正面情绪或态度，如快乐、满意、希望等。通常包含赞扬、鼓励或对未来的乐观预期等内容。"},
10.     {"category": "消极", "description": "文本内容体现负面情绪或态度，如悲伤、愤怒、失望等。通常反映批评、不满或对现状或未来的悲观看法等内容。"},
11.     {"category": "中性", "description": "文本内容既不表达明显的正面情绪，也不体现明显的负面情绪。通常包含客观陈述、信息传递或对事物的中立评价等内容。"}
12. ]
14. # 判断文本表达的情感是否符合给定的情感类别描述
15. def match_description(context, description):
16.     """
17.     Step1: 一步步思考，仔细分析并理解${context}的特征和含义，判断是否和${description}的描述一致。
18.     Step2: 给出你判断的思考路径${thought}，在思考路径下给出你将${context}分类为${category}的理由。
19.     Step3：根据你Step1的判断结果和Step2的分类理由，给出此次分类的置信度${confidence}，置信度的取值范围为：0 <= confidence <= 1。
20.     """
21.     return confidence
23. # 根据文本表达的情感分类，并返回对应的情感类别
24. def classify(context, sentiment_category_infos):
25.     # 初始化最高置信度
26.     max_confidence = 0
28.     # 遍历所有的类别及其描述
29.     for sentiment_category_info in sentiment_category_infos:
30.         # 获取当前类别的置信度
31.         confidence = match_description(context, sentiment_category_info["description"])
33.         # 如果当前置信度高于之前的最高置信度，更新分类结果
34.         if confidence > max_confidence:
35.             max_confidence = confidence
36.             category = sentiment_category_info["category"]
38.     return {"classify_result": category}
40. MAIN PROCESS:
41.     # 初始化文本变量，作为输入数据
42.     context = 读取("""{{input}}""")
44.     # 执行分类任务，输出分类结果
45.     classify(context, sentiment_category_infos)
47. 执行工作流程，严格按照json格式输出MAIN PROCESS的分类结果，禁止附加任何的解释和文字描述：

复制代码

3). 结束节点：



4). 试运行：



测试数据：

[code]测试数据1：
这款产品真是太棒了！