趋近智
设计与实现多智能体大型语言模型系统
章节 1: 多智能体LLM系统的基本原理
定义多智能体系统 (MAS)
大型语言模型作为智能体构建组件
基于LLM的MAS架构模式
智能体自主性及在大型语言模型环境中的行为
多智能体LLM设计中的固有复杂性
多智能体大型语言模型开发工具概览
配置开发环境
章节 2: 智能体构建与角色设定
构建代理角色和功能专长
智能体的知识结构与信息获取
LLM 代理的记忆机制
为智能体集成外部工具与功能
代理组织模式的比较分析
动态角色分配策略
设计高承载力的智能体系统
实践：构建具有特定功能的LLM代理
章节 3: 实现智能体通信与协调
代理间消息交换协议
代理通信中的信息结构
共同认知与协调的途径
协商与共识方法
任务分发与指派方法
管理多智能体交互中的分歧
建立同步与异步通信连接
动手实践：构建双智能体通信协议
章节 4: 高级编排与工作流构建
通过工作流程组织智能体协作
状态驱动与基于图的编排模型
自适应任务规划与调整
管理资源与智能体工作负载分配
应对代理团队的故障并保障可靠性
在智能体运作中加入人工监督
管理大型智能体群体的办法
实践：构建多阶段工作流及智能体协作
章节 5: 智能体群体中的推理与决策
个体智能体的推断方法
知识汇总与群体推理
分布式问题解决方法
策略性互动：博弈论要素
多智能体强化学习用于协调 (进阶)
智能体的学习适应行为
智能体心智状态：信念、愿望、意图
动手实践：实现一个协作问题处理任务
章节 6: 系统评估、调试与性能优化
衡量多智能体系统效果
代理活动分析的日志记录机制
诊断复杂智能体行为
识别性能瓶颈和优化点
管理大型语言模型智能体的运营成本
多智能体系统设计的安全方面
多智能体应用的验证方法
实践：分析和优化多智能体系统示例
管理大型语言模型智能体的运营成本
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？
© 2025 ApX Machine Learning用心打造