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
评估推理与规划能力
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, 2022 International Conference on Learning Representations (ICLR) DOI: 10.48550/arXiv.2210.03629 - 本文介绍了ReAct框架，该框架生成与行动和观察交织的明确推理轨迹（思维），使代理的内部过程可供检查和评估。
- 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 Neural Information Processing Systems (NeurIPS) DOI: 10.48550/arXiv.2305.10601 - 这项工作详细介绍了一个推理框架，该框架探索多条推理路径并自我评估中间步骤，与评估结构化规划和假设生成能力直接相关。
- Judging LLM-as-a-judge with MT-Bench and Chatbot Arena, Lianmin Zheng, Wei-Lin Chiang, Ying Sheng, Siyuan Zhuang, Zhanghao Wu, Yonghao Zhuang, Zi Lin, Zhuohan Li, Dacheng Li, Eric P. Xing, Hao Zhang, Joseph E. Gonzalez, Ion Stoica, 2023 NeurIPS 2023 Datasets and Benchmarks Track DOI: 10.48550/arXiv.2306.05685 - 本文研究了使用大型语言模型作为评估器的有效性，这是提及的一种核心自动化评估技术，并提供了一个用于稳健评估的框架。