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
通过提示处理工具执行中的错误
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 International Conference on Learning Representations (ICLR) DOI: 10.48550/arXiv.2210.03629 - 本文介绍了大型语言模型在使用工具时结合推理和行动的关键框架，强调了代理与外部环境交互的架构考量，其中包含处理各种结果和潜在故障。
- Designing Data-Intensive Applications: The Ideas Behind Reliable, Scalable, and Maintainable Systems, Martin Kleppmann, 2017 (O'Reilly Media) - 虽然与大型语言模型无直接关联，但本书提供了构建弹性系统的基本原理，涵盖了容错、分布式系统挑战以及各种错误处理模式（例如重试、超时、优雅降级），这些对于设计稳健的代理工作流具有直接应用价值。
- Prompt engineering, OpenAI, 2024 (OpenAI) - 官方文档提供了为大型语言模型设计有效提示的最新策略和实践，包括在复杂场景中引导其行为以及管理意外输出的方法，这与指导代理进行错误检测和恢复相关。
- Challenges and Applications of Large Language Model Agents, Andrii Kompanets, Gautam Pai, Remco Duits, Davide Leonetti, Bert Snijder, 2024 arXiv preprint arXiv:2403.17725 DOI: 10.48550/arXiv.2403.17725 - 这项调查讨论了大型语言模型代理当前面临的挑战和限制，包括其在现实场景中的可靠性和稳健性方面，为理解为何有效的错误处理对这些系统至关重要提供了更广阔的视角。