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
引导代理选择和使用工具
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 2023) DOI: 10.48550/arXiv.2210.03629 - 介绍了ReAct框架，结合了推理和行动步骤，帮助代理解决需要与外部环境交互的任务，与工具选择和操作直接相关。
- Toolformer: Language Models That Can Use Tools, Timo Schick, Jane Dwivedi-Yu, Roberto Dessì, Roberta Raileanu, Maria Lomeli, Luke Zettlemoyer, Nicola Cancedda, Thomas Scialom, 2023 arXiv DOI: 10.48550/arXiv.2302.04761 - 提出了一种通过自监督学习训练语言模型使用外部工具的方法，展示了模型如何学习决定何时使用哪个工具以及传递哪些参数。
- Function calling, OpenAI, 2024 (OpenAI) - 官方指南，介绍如何使用OpenAI模型实现函数调用，提供了定义工具和将其集成到代理工作流程的实用示例和实践。