趋近智
智能体工作流程的提示工程
章节 1: 智能体AI系统基本原理
定义智能体工作流
AI代理的核心组成部分
提示工程在智能体系统中的作用
代理指令与普通指令的对比
智能体架构概览
衡量智能体表现的方法
动手实践：分析一个简单代理的任务执行过程
章节 2: 高级提示以掌控代理
组织提示词以进行顺序操作
优化复杂智能体操作的指令
给智能体分配角色和人设
运用少样本示例指导智能体
智能体提示中的思维链与思维树
通过提示词设计管理代理状态
提示代理进行自我修正和错误处理
实践：设计实现智能体行为一致的提示
章节 3: 用于工具调用的提示工程
工具增强型语言模型的基本原理
引导代理选择和使用工具
为LLM理解工具规范的格式化处理
通过提示词管理工具输入和输出
与API交互的提示
通过提示处理工具执行中的错误
新工具集成提示的设计
动手实践：指导代理使用网页搜索工具
章节 4: 智能体规划与任务管理提示词
智能体系统中AI规划概述
提示以进行目标明确与细化
通过提示分解复杂问题
在智能体规划中加入限制和偏好
迭代规划与提示调整下的重新规划
分层任务分解的提示策略
评估计划可行性与质量
实践：引导智能体制定详细计划
章节 5: 通过提示词管理智能体记忆
记忆在智能体运行中的重要性
提示策略：短期记忆与上下文窗口管理
提示词的信息精简技巧
为长期信息检索提供提示
构建提示以获取知识库信息
管理信息一致性与认知
在长时间交互中保持任务重心
动手实践：用动态信息流提示代理
章节 6: 代理系统提示词的调试与优化
代理提示实现中的常见问题
提示词迭代与测试的系统化方法
提示链对智能体输出的影响
分析智能体行动序列的方法
比较提示变体以提升智能体效果
提示词优化的记录与监控
智能体提示词的组织与版本管理
实践：优化提示词以解决智能体工作流程问题
提示代理进行自我修正和错误处理
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 - 介绍了ReAct范式，一种结合推理和行动的LLM代理基础方法，包括处理工具交互及其潜在结果。该方法对于代理工作流中的优雅错误恢复很有价值。
- Reflexion: Language Agents with Verbal Reinforcement Learning, Noah Shinn, Federico Cassano, Edward Berman, Ashwin Gopinath, Karthik Narasimhan, Shunyu Yao, 2023 arXiv preprint arXiv:2303.11366 DOI: 10.48550/arXiv.2303.11366 - 提出了一种LLM代理通过反思过去行动序列并生成自我反思提示来指导未来行动的口头强化学习框架。这与引导自我批评和失败后迭代修改直接相关。
- Constitutional AI: Harmlessness from AI Feedback, Yuntao Bai, Saurav Kadavath, Sandipan Kundu, Amanda Askell, Anna Chen, Andy Jones, Anna Goldieberger, Aziza Mirrashed, Cameron McKinnon, Carol Chen, Catherine Olsson, Chris Conly, David Drain, Dawn Drain, Deep Ganguli, Dustin Li, Eli Tran-Johnson, Ethan Perez, Jackson Kernion, Jasmine Sittler, Jennifer Glowinski, Jeremy Scheurer, Jessica Kerr, Josh Jacobson, Kristen Lee, Liane Lovitt, Lisa Wang, Michael Sellitto, Mo Mukherjee, Nicholas Joseph, Noemi Mercado, Nova DasSarma, Robert Lasenby, Robin Larson, Sam Ringer, Shauna Gordon-McKeon, Simon Lefevre, Tristan Hume, Zac Hatfield-Dodds, Danny Hernandez, Daniela Amodei, Dario Amodei, Jack Clark, Sam McCandlish, Tom Brown, Jared Kaplan, 2022 arXiv preprint arXiv:2209.07858 DOI: 10.48550/arXiv.2209.07858 - 虽然主要关注安全性，但本文介绍了一种AI模型根据一组原则批评和修订自身输出的方法，展示了一种稳健的AI驱动的自我评估和纠正形式。