趋近智
智能体LLM系统与记忆增强架构
章节 1: 智能体行为的基本原理
界定LLM情境下的自主行动能力
自主大型语言模型系统的组成部分
Agentic 系统设计中的挑战
先进智能体框架概览
章节 2: 进阶智能体架构与推理
ReAct 框架：推理与行动的整合
实现 ReAct 智能体
自问：通过迭代提问提升事实准确性
思维树（ToT）应对复杂问题
基于图的推理结构
推理架构的比较分析
实践：构建自定义ReAct智能体
章节 3: 设计复杂的记忆系统
记忆在智能体系统中的作用
短期记忆机制
长期记忆：向量数据库与嵌入
高级检索策略
结构化记忆表示
记忆整合与摘要技术
管理内存读写操作
动手实践：集成向量数据库记忆
章节 4: 复杂规划与工具集成
任务分解策略
分层规划方法
集成外部工具和API
工具描述与选择机制
API 错误与工具执行故障的处理
自我校正与计划优化
实践：搭建一个使用工具的多步骤规划智能体
章节 5: 多智能体系统
多智能体系统（MAS）设计原则
LLM 智能体的通信协议
协作解决问题架构
代理角色与专业分工
协调机制
竞争与谈判场景
多智能体系统扩展中的挑战
动手实践：构建协作代理团队
章节 6: 智能体系统的评估与优化
制定代理任务的成功衡量标准
评估推理与规划能力
评估工具使用的可靠性和准确性
记忆系统性能评估
智能体系统的基准测试 (AgentBench等)
复杂代理行为的调试策略
代理系统性能优化方法
大语言模型针对特定智能体角色的微调
实践：构建评估框架
推理架构的比较分析
全新 · 开源
Kerb - 大语言模型开发工具包
用于构建生产级 LLM 应用的 Python 工具包。提供提示词、RAG、智能体、结构化输出和多提供商支持等模块化实用工具。
这部分内容有帮助吗？
- ReAct: Synergizing Reasoning and Acting in Language Models, Shunyu Yao, Jeffrey Zhao, Dian Yu, Nan Du, Izhak Shafran, Karthik Narasimhan, Yuan Cao, 2023 arXiv preprint arXiv:2210.03629 DOI: 10.48550/arXiv.2210.03629 - 介绍了ReAct框架，将推理（思考）和行动（动作）步骤交织在一起，使LLM能够进行动态推理以创建、维护和调整行动计划，并与外部环境交互。
- Tree of Thoughts: Deliberate Problem Solving with Large Language Models, Shunyu Yao, Dian Yu, Jeffrey Zhao, Izhak Shafran, Thomas L. Griffiths, Yuan Cao, Karthik Narasimhan, 2023 Advances in Neural Information Processing Systems (NeurIPS) 36 DOI: 10.48550/arXiv.2305.10601 - 提出了Tree of Thoughts框架，通过允许LLM探索多个推理路径并评估中间思考来推广思维链提示，从而在复杂任务中实现更强大的问题解决能力。
- Graph of Thoughts: Towards Large Language Model Based Cognitive Architectures, Maciej Besta, Nils Blach, Ales Kubicek, Robert Gerstenberger, Michal Podstawski, Lukas Gianinazzi, Joanna Gajda, Tomasz Lehmann, Hubert Niewiadomski, Piotr Nyczyk, Torsten Hoefler, 2024 Proceedings of the AAAI Conference on Artificial Intelligence, Vol. 38 (Association for the Advancement of Artificial Intelligence (AAAI)) DOI: 10.1609/aaai.v38i16.29720 - 将Tree of Thoughts概念扩展到更通用的图结构，使LLM能够更灵活地管理和操作复杂的思维过程，支持高级推理和规划。
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, Patrick Lewis, Ethan Perez, Aleksandra Piktus, Fabio Petroni, Vladimir Karpukhin, Naman Goyal, Heinrich Küttler, Mike Lewis, Wen-tau Yih, Tim Rocktäschel, Sebastian Riedel, Douwe Kiela, 2020 Advances in Neural Information Processing Systems (NeurIPS) 33, Vol. 33 DOI: 10.48550/arXiv.2005.11401 - 介绍了检索增强生成（RAG），这是一种通过将生成过程建立在检索到的文档上，从而提高LLM事实准确性并减少幻觉的基本方法，与“自我提问”方法的事实基础目标高度相关。
© 2025 ApX Machine Learning用心打造