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
复杂代理行为的调试策略
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 - 描述了ReAct框架，一种常见的LLM代理架构，其执行流程和内部状态是本节调试策略的主题。
- Langfuse Documentation: Observability for LLM Applications, Langfuse Team, 2024 - 提供了LLM代理执行的日志记录、追踪和可视化方面的实用指导和工具，直接支持“全面日志记录和追踪”和“调试界面”部分。
- LangGraph Documentation: Build robust, stateful multi-actor applications with LLMs, LangChain Team, 2024 (LangChain) - 详细介绍了如何使用图构建有状态代理系统，提供了定义状态、转换以及实现对代理行为进行检查和调试至关重要的回调机制的见解。
- Chain-of-Thought Prompting Elicits Reasoning in Large Language Models, Jason Wei, Xuezhi Wang, Dale Schuurmans, Maarten Bosma, Brian Ichter, Fei Xia, Ed Chi, Quoc Le, Denny Zhou, 2022 arXiv preprint arXiv:2201.11903 DOI: 10.48550/arXiv.2201.11903 - 介绍了思维链提示技术，它使LLM的推理步骤变得明确，这对于分析和调试代理行为中的“推理/规划错误”至关重要。
- AgentBench: Evaluating LLMs as Agents, Xiao Liu, Hao Yu, Hanchen Zhang, Yifan Xu, Xuanyu Lei, Hanyu Lai, Yu Gu, Hangliang Ding, Kaiwen Men, Kejuan Yang, Shudan Zhang, Xiang Deng, Aohan Zeng, Zhengxiao Du, Chenhui Zhang, Sheng Shen, Tianjun Zhang, Yu Su, Huan Sun, Minlie Huang, Yuxiao Dong, Jie Tang, 2023 arXiv preprint arXiv:2308.03688 DOI: 10.48550/arXiv.2308.03688 - 提供了一个综合基准，用于评估LLM在各种任务中的代理能力，为识别常见的故障模式和复杂场景提供了见解，从而为调试策略提供了参考。