ADK.wang AI & 软件技术百科

（1）模型状态指和模型本身相关的，必须存储的内容，具体包括： ● 优化器状态（Optimizer States）：Adam 优化算法中的Momentum 和Variance； ● 梯度（Gradients）：模型梯度G； ● 参数（Parameters）：...

""" ```` 3. 优化提示词 (Refinement Prompt) ：当收到反馈后，这个提示词将引导模型根据反馈内容，对原有代码进行修正和优化。

本节探讨Prompt Tuning和P-Tuning两种高效的模型微调方法，它们通过设计和优化输入提示（Prompt），以最小的参数变动显著提升预训练模型的任务表现。

如果智能体能不依赖预设，而是通过与环境的互动自主学习呢？ 这便是学习型智能体（Learning Agent）的核心思想，而强化学习（Reinforcement Learning, RL）是实现这一思 想最具代表性的路径。

Actor-Critic算法改进了传统的策略梯度方法，采用值函数 （Critic）来指导策略（Actor）的优化，使得学习过程更加稳定和高 效。

请先通过以下命令安装它们：： ``` bash pip install requests tavily-python openai ``` （1）指令模板 驱动真实 LLM 的关键在于提示工程（Prompt Engineering）。

这些工程化应 用技术包括Prompt工程、Agent、检索增强生成（Retrieval- Augmented Generation，RAG）和函数调用（Function Calling） 等。

“引导性提示”是在对话开始前，分别注 入给两个智能体的一段精心设计的、结构化的初始指令（System Prompt）。

这只是一场越来越大的模型竞赛的开始：Google 的Switch Transformer（ https://homl.info/switch ） （于2021年1月推出）使 用了1万亿个参数，但很快又出现了更大的模型，例如北京智源人工智能研究院 （BAAI...

SimpleAgent 使用自定 义的工具调用格式[TOOLCALL:toolname:parameters] ，这种格式需要 LLM 主动学习和使用，在复杂场景下的表 现可能不如使用原生函数调用（Function Calling）的智能体。

参数剪枝 在对已经训练好的模型进行小型化的过程中，参数剪枝（ Parameter Pruning）是一种常 用且有效的技术。

图 1.3 智能体决策时间与质量关系图 - 反应式智能体 (Reactive Agents) 这类智能体对环境刺激做出近乎即时的响应，决策延迟极低。

""" ``` 2. 反思提示词 (Reflection Prompt) ：这个提示词是 Reflection 机制的灵魂。

在下游多个子任务中进行检测都取得了比较大的提升，具体有视觉常识推理（Visual Commonsense Reasoning）、视觉问答（Visual Question Answering）、图像检索（Image Retrieval）、文本检索（Text ...

如果说 LangChain 和 LlamaIndex 定义了第一代通用 LLM 应用框架 的范式，那么新一代的框架则更加专注于解决特定领域的深层挑战，尤其是多智能体协作 (Multi-Agent Collaboration) 和 复杂工作流控制 (Comp...

为了兼顾词表大小和语义表达，现代大语言模型普遍采用子词分词 (Subword Tokenization) 算法。

嵌入服务层 (Embedding Service Layer)

嵌入表示层 (Embedding Layer) 统一嵌入接口 - 复用记忆系统的嵌入服务

我们定义了三个关键指标来衡量生成题目的质 量水平： 评估指标： 1. 平均分（Average Score）：计算所有题目在四个维度上的平均得分，反映生成题目的整体质量水平。

以COCO目标检测评价指标中的平均精度（AP）和平均召回率（average recall，AR）作为衡量检测网络精度的标准，公式如下。

除此之外，还有一种任务类型是根据已有数据或者给出已知特征，让机器生成具有特定特征的数据，完成这类任务的模型就被称作生成式模型（Generative Model） [^187] 。

例如，通过引入事件回调机制（Callbacks），我们可以在智能体生命周期的关键节点（如 `onllmstart`, `ontoolend`, `onagentfinish`）自动触发日志记录或数据上报，从而轻松地追踪和调试智能体的完整运行轨迹。

推理机（Inference Engine）：推理机是专家系统的核心计算引擎。

IBM数据治理委员会（IBM Data Governance Council）通过结合数据特性和实践经验，有针对性地提出了数据治理的成熟度模型，将数据治理分为五级，即初始阶段、基本管理、主动管理、量化管理和持续优化。