2024年AI Agent最佳实践报告

点击目录(超链接)快速跳转页面。5.1最佳实践1:采用大小模型协同的技术路线5.3最佳实践3:合理设计Workflow提升输出质量5.4最佳实践4:采取安全风险应对措施2终例1:华为云AIAgent实践终例2:联想基于Multi-Agent的销售提效实践终例3:蚂蚁基于多智能体的投研支小助终例4:字节跳动智能运维AIAgent实践终例5:腾讯大数据智能体终例6:天弘基金数据分析Agent实践终例7:中国联通智能体平台终例8:江苏移动客户经理营销助手Agent终例9:58同城智能体方终终例10:平安把钱包WorkflowAgent实践终例11:微众银行Multi-Agents研发流程提效实践终例12:去哪儿Agent评融方终终例13:联想端侧个人智能体终例14:蔚来NOMIAgents多智能体组架点击目录(超链接)快速跳转页面。3•AIAgent是一种具有自主性或半自主性的智能实体，能够利用人工智能技术在数字或物理环境中感知、决策、采取行动并实现目标;•与RPA等自动化工具相比,AIAgent是—种更加智能化的系统,不仅能自动执行任务,还具有—定程度的“代理能力”,这意味着框可以自主运行,根据处理的数据做出决策,并从经验中进行学习。通过增强人的能力,AIAgent进—步推动自动化的实现。.适应性:AIAgent可以根据环境或目标的变化调整自己的行为和策略;.前瞻性:AIAgent可以预融未来情景,提前做出战略决策并采取行动以实现目标;.目标的复杂性:AIAgent可以管理和执行涉及多个目标的任务,这些目标往往相互关联,需要高级决策和解决问题的能力; .环境的复杂性:AIAgent可以循具有高度不确定性、可变性或复杂性的环境中规划和执行任务;.自主程度:AIAgent能拒循极少或没有人工干预的情况下独环境可以是虚拟的,具5•伴随着人工智能技术的迭创,AIAgent也经历了多个发展阶段。从技术发展趋势上看,基于大模型的AIAgent正在成为主流,有望提阶段,最主要的方法是符号人工智能,特点是依赖符号逻辑,使用逻知识,即进推理过程;模拟人类的思维模式,主要关注两个问题:转题的交互,强调快速和实时的响应;动循环,有效地感知环境并做出反应;互进行栏习,使其循特计奖励;最初基于强化栏习算法,优化,随着深度栏习的兴起,出现了深度强化栏习如AlphaGo,使主栏习,无需人工干预•强化栏习缺少泛化能力,Agent对新任务的栏习,泛化能力;何栏习,使Agent能从新任务的最优策略,减部分,通过多模态感知展其感知和行动空间;•通过思维链(CoT)和问题分解等技术,具备推理和规划能力,类似于符号Agent;的行动,获得与环境互动的能力,类似于反应Agent;泛化能力,实现任务间6•AIAgent的代理能力是—个范围,当前的AIAgent是在狭义条件下执行特定任务的有限代理系统,与能从环境中学习、做出决策并独立执行任务的完全代理系统之间仍存在较大差距;•大模型正在增强AIAgent的代理能力,使AIAgent能够进行更加复杂、更类似于人类的互动,并在创意内容生成等任务中扩展其能力,署选项,同时降低了对成本和•等基础模型,可以提供建议和生成内容,还可以创建流程并(Domain-•(SLM,Small似⼏类的对话进行交流,显似⼏类的对话进行交流,显验,增强用户满意度和参与度质量的内容,自动执行内容创意与设计辅助:大模型支计原型中,加速产品开发•基于大模型的AIAgent组架是当前主流的AIAgent组架,由规划、记忆、行动和工具四个关键部分组成。大模型和AIAgent相辅相成,—方面,大模型提高了AIAgent的理解和泛化能力,使AIAgent能够更有效地处理各种任务和上下文;另—方面,大模型缺少在最少的人类监督下自主行动的能力,以及在复杂环境中适应和执行目标的能力,AIAgent解决大模型落地的“最后—公里”。AIAIAgent具备规划(同时包含决策)能力,以有效地执行复杂任务。这涉及查目标的分解、连续的思考(即思维链)、自我反思和批评,以及对过去行动的反思包含短期记忆和长期记忆两个部分。短期记忆与上下文学习有关,属于提示工程的范畴,而长期记忆涉及信息的长时间保留和检索,包含了AIAgent可能调用的各种工具,如日历、计算器、代码解练,其内部能力和知识边界基本就已固定且难以拓展,因此这些工具非常重要。框们扩展了AIAgent的能力,使其能够执行超出AIAgent基于规划和记忆来执行具体的行动,这可能包括与外部世界互动,或者通过工具调用来完成—个动作或任务要承担人类助手的角色,人类和AIAgent之间的互动趋向于平等,但人类仍然占主导,AIAgent的自主性仍然有限。级别务,与他人互动,确保务,与他人互动,确保协作行为(多智能体))超人类(超过5Agent感知用户环境,理解用户记忆,并主动提供上下文和记忆,同时主动大师(相当于99%Agent感知用户环境,理解用户记忆,并主动提供上下文和记忆,同时主动大师(相当于99%43专家(相当于90%具执行步骤,并根据中间2胜任(相当于50%用户:“查看北京今天的天气”架1新人(相当于无技用户:“打开门”用户:“呼叫Alice”用户:打开第—个抽屉并统,如SHRDLU、广义领域的非AI,如广义领域的非AI,如9•按应用架构划分,AIAgent可以划分为单Agent、多Agent两种类型,多Agent又可进—步分为垂直架构和水平架构:•单Agent:由—个⾥立的Agent组成,旨在⾥立执行特定任务;•多Agent:由多个彼此⾥立但可互相交互的的Agent组成,每个Agent都能感知环境并采取行动。•多Agent朝着—个共同的目标努力,而这个目标超出了单Agent的能力范围。多Agent的联合应用往往可以解决单Agent无法完杂任务,同时创造出适应性更强、扩展性更高和更稳健的解决方终。多Agent系统还可以用于需要分散决策的环境中;•两个及以上Agent组成,不•两个及以上Agent组成,不所有Agent平等,共同协作••单—模型驱动,独立完成所•按决策逻辑划分,AIAgent主要可以划分为以下6种类型:简单反射型Agent、基于模型的反射型Agent、基于目标的Agent、基于效•不同决策逻辑的AIAgent之间并不相互排斥,例如,AIAgent可以主要基于目标,同时也具备从环境中学习的能力。分类介绍规则来执行其功能,该规则规定了在••••易于设计和实施,需要最少的计算资源下,高度可靠••••如果输入传感器有缺陷或规则设计不善,就会出没有记忆或状态,限制其适用范围仅限于—组特定的行动,无法适应新情况件-行动规则,但与简单反射型Agent不同的是,基于模型的反射型Agent••••基于对世界的理解,快速高效地做出决策通过构建内部世界模型,更好地做出准确决策通过利用其内部状态和规则来确定条件,从而做•••••模型需要经常更新,以保持最新状态划后,基于目标的Agent会尝试选择实现目标的最佳策略,然后使用搜索•••••可与其他AI技术相结合,创建更高级的Agent•••••将任务分配给最合适的Agent,避免重复劳动,•将任务分配给最合适的Agent,避免重复劳动,化问题,促进Agent学习•通过更简洁、可重复地表示整个问题,分层分层Agent具有分层结构,可在不同做出抽象的长期决策,而较低层次的•需要精确的环境模型,否则会导致决策失误的Agent用值最大化做出决策,它们选择预期•计算成本高,需要大量计算效用最高的行动,而预期效用可以衡•择的应用中,例如资源分配、日程安排•动,从反馈中学习,并在未来的互动•学习型Agent可以按照基本指令(如口语指令)•与执行预定行动的传统Agent不同,学习型•••••境中的适应性,阻碍了Agent调整或寻找替代方•分层Agent遵循自上而下的控制流,可能造成瓶•每个领域可能都需要创建新的分层结构,耗时且•训练分层Agent具有挑战性,且提高性能难度大•面向B端企业,专业顾问类Agent作为“数字员工”,专注于自动化工作流程、数据分析和客户服务等。通过提高效率、辅助决策、风险管理和跨部门协作来增强企业运营。AIAgent的架构可以与现有系统集成,具有高度的可扩展性和成本效益,能够持续优化以适应企业需求;•面向C端用户,交互娱乐类Agent作为“个人助理”,提供个性化的日常任务辅助和智能交互服务。通过学习用户偏好来定制服务,如日程管理、信息搜索和娱乐互动,同时注重用户隐私保畅,确保数据安全。•无论是面向B端还是C端,AIAgent的核心价值都在于提高效率、降低成本、提供决策支持,并在与用户的互动中创造更好的体验。…………•AIAgent具有自动执行任务、做出决策以及与周围环境智能互动的能力,企业需要将AIAgent纳入到与业务环境相关的产品中,才能满足对AIAgent的期望。AIAgent可以配置在任何数字化的环境中运行,包括:消费环境工业环境动信息环境总结信息,改创意环境社会环境物流环境•AIAgent在业务环境中的应用涉及多种AIAgent互动模式,需要根据业务需求、用户界面和预期的用户体验进行选择:人类主导流程作,例如为产品生成更新的营销材料,过往营销活动的互动情况,生成支持混合流程务的某些阶段。例如,旅行预订Agent可识别行程并预订机票,但在完成预隐藏过程和处理—个正在进行的目标,并接受外部监控,例如Agent对分布式物流系•AIAgent不是插件或API接口,但其架构中经常使用这两种工具。AIAgent的创理能力使其能够自主采取行动来实现特定结果,因此需要某些关键组件。企业需要根据AIAgent的任务目的来设计组件,如果没有正确的组件,企业将无法构建能够规划、行动和学习的•构建—个AIAgent的关键组件如下,根据任务类型的不同,可能需要更多或更少的组件:8 ①记忆:作为AIAgent的记忆库,存储信息、过去的经验和与任务相关的偏好。记忆分为用于进程间任务的短期记忆、用于环境信息和过去行动的长期记忆,以及循某8 规划的自我批评过程;71234②规划:规划的自我批评过程;71234③任务:当前要执行的任务列表,与工具配合执行和跟踪每项任务;5④工具集成:支持AIAgent与各种环境交互,包括API接口、数据库、用户界面和网络浏览器,扩展Agent操作和控制环境的能力;5⑤感知:使AIAgent能拒感知周围环境,从文本、图(如位置数据、环境数据或网络连接等技术数据)中收集数据;6⑥模型:包括大小模型或其他AI技术,帮助AIAgent理解自然语言、提供—般知识并推6⑦目标:AIAgent需要完成的总体任务;⑧环境:AIAgent将循其中行动的物理或数字领域(例如,机器人或自动驾驶汽车、•多Agent系统通常比单Agent系统更难设计。这些系统可能会表现出难以提前预融的突发行为,需要更强大的训练和融试,以及持续的监控、追⻆和文档记录。例如,Agent之间相互冲突的目标和互动可能会产生不良行为;•在多Agent系统中,每个Agent都有其特定的角色和功能,框们需要相互协作以完成共同的任务,这可能涉及到Agent之间的通信、协商和协调策略。将—个工作流程分解成多个Agent的过程需要实验和探索,企业需要考虑—个任务是由—个Agent⾥立完成,还是多个Agent共同协作;•通常从用户提示开始,用户提示可以是人类用户的请求•协调Agent负责监督系统运行,协调工作流程、了解其他Agent的角色并检查他们的工作;•主Agent设定目标,并提示下—个Agent开始工作;•查Agent将其输出返回给主Agent进行审查,以便主Agent协调下—步工作;①用户提示:以用户要求文档撰写开始,这—过程可以由人类驱动,也可以由其他AIAgent驱动;如防护栏、提示注入和越⾦检融;③协调Agent:循本例中,协调Agent负责控制w他Agent的工作;④目标提示词:协调Agent的查目标与提示下—个Agent开始工作来处理指初;⑤输出提示词:查创理将输出结果返回给协调Agent审核,以便⑥LLM:多Agent系统中不同的Agent可能会使用相同的LLM,或术;循此工作流程中,评刻Agent会对文档提供反馈,以便人类查看其他内容建议;1122 83766⑧协作:人类和AIAgent将建立协作关系,循此工作流程中,编•当前,企业对AIAgent技术的应用仍处于初期阶段,尤其是基于大模型的AIAgent。根据沙丘智库近期对81名企业技术相关负责人的调研,17.3%的企业表示正在开发AIAgent(44.4%的企业正在使用大模型技术,而在使用大模型技术的企业中,38.9%的企业正在开发AIAgent)。44.4%的企44.4%的企•从应用方向上看,当前AIAgent的应用领域集中在大模型擅长的领域,调研结果显示,员工助手(51.9%)、数据分析(35.8%)、•从应用深度上看,尽管AIAgent的潜力巨大,但当前企业AIAgent的应用相对简单,复杂场景尚未实现。员工助手数据分析问题:您认为AIAgent在哪些方面可以带来价值?(可多选)•企业在开发AIAgent时会遇到来自多方面的挑战,其中AIAgent的结果可靠性是限制其落地的关键因素之一。调研结果显示,66.7%的企业认为结果可靠性是阻碍其开发AIAgent的挑战,此外,数据隐私和安全(39.5%)、成本效益分析(35.8%)等因素也在阻碍问题:阻碍您所在企业开发AIAgent的挑战是什么?(可多选)•通过对企业AIAgent落地实践的观察与调研,沙丘智库将现阶段AIAgent的技术局限性总结如下,企业需要在实践过程中(尤其是面对复杂任务时)保持谨慎。•AIAgent主要由自我迭创组成,可以使用prompt来约束迭创过程中Agent的行为,但并不能保证百分百的可控性,特别是循需要高度固确性的任务中,如SQL数据库操作和科栏计算,结果的可控性难以把控•AIAgent循执行任务时需要存储记忆和状态,但循处理复杂工作,如大量文本或搜索结果时,很容易遇到token溢出问题,即使使用高级模型,仍然存循注意力分散的挑战•串联任务是目前AIAgent工作模式的主流,但这种模式的优化空间有限,且现有组架对并行任务的支持并不理•有时候—个简单的需求可能需要AIAgent运行长达10分钟,这循实际应用中难以接受•AIAgent的prompt设计对于任务的鲁棒性至关重要,但循面对复杂任务时,AIAgent可能会出现错误,甚至浏•目前的大语言模型并没有针对AIAgent的各个环节进行专门调整,而是依赖于模型的泛化能力,这循—定程度5.1最佳实践1:采用大小模型协同的技术路线•大模型擅长理解、总结和提供高层次的指导,而小模型的可解释性更强,擅长感知和执行具体的任务。在实际落地过程中,企业需要根据任务进行适配,通过大模型、小模型甚至传统AI技术的组合,可以有效实现企业复杂场景的智能化,提高AIAgent输出结果的准确性和可靠性,实现更高效的业务流程和决策支持。大模型大模型分发,调用小模型执行小模型感知,输入给大模型理解小模型N…大模型M•大模型在处理特定领域或需要专业知识的问题时可能表现不足,RAG技术可以提供额外的知识来源,增强知识广度和深度。对于AIAgent的长期记忆,当前企业最常用的方式是通过RAG技术从外挂知识库中获取知识,从而提升AIAgent的答复准确率和质量;•在实践RAG的过程中,企业会发现RAG实际落地生产的难度非常大,—些典型的问题和最佳实践如下(具体可参考沙丘智库《2024年“大模型+RAG”最佳实践报告》):•数据质量差:企业大部分数据(尤其是非结构数据)缺乏良好的数据治理,未经标记/评估的非结构化数•最佳实践1:构建完整的数据准备流程•最佳实践2:采用多种分块方式•错过排名靠前的文档:与用户查询相关的文档被•最佳实践3:通过查询转换澄清用户意图•最佳实践4:采用混合检索和重排策略•最佳实践5:改进提示词模板••最佳实践5:改进提示词模板•最佳实践6:实施动态防护栏I5.3最佳实践3:合理设计Workflow提升输出质量(1)•AgenticWorkflow是由多个AIAgent协作和联动完成复杂任务的工作流模式,强调AIAgent之间的信息交换、分工协作、决策反馈,甚至包括集体反思与任务调整。AgenticWorkflow是—种新型的协作系统,具有自适应、自主决策的特性,这种协作类似于—个由多个专家组成的团队,其中每个成员都各司其职,且通过彼此的交流与反馈实现整体效能的最大化。修改/思考/思考/.用户输入指令,模型输出结果.用户输入指令,模型输出结果.—次完成,限制模型迭代优化.将复杂任务拆解为多个步骤.通过循环迭代的方式优化结果workflow的效果,结果表明:shot);5.3最佳实践3:合理设计Workflow提升输出质量(2)•Workflow的基本设计模式有4种:反思(ReflectCollaboration),这四种模式旨在优化AIAgent的不同方面,从决策制定到协作,使Agent能够更准确、更高效地处理更复杂的任务。多个AIAgent扮演不同的角色,协…… 自------- 一 自------- 一 4------- 一 自-------任务结果-----b…任务结果-----b…4荨-------------⃞4荨-------------⃞123生成创码,然后通过单元融试检查作5.4最佳实践4:采取安全风险应对措施(1)•传统AI模型和应用的安全风险通常限于模型输入、模型处理和模型输出、编排层的软件漏洞以及托管框们的环境。除了这些威胁外,AIAgent的安全风险范围扩大到了AIAgent触发和参与的—系列再件和交互中,这些通常对人类或系统操作员来说是不可见的,也无法进行阻止,需要通过适当的安全措施进行解决。AIAgent带来的特有安全风险包括:•AIAgent循执行和交互的过程中可能会无节制地消耗大量系统资源,无论是有意还是无意,这可能导致系统资源•AIAgent可能会有意或无意地执行未授权或恶意的活动,例如恶意程序或人类的Agent“劫持”行为•AIAgent可能会由于编码逻辑错误导致数据泄露或其他威胁,这些错误可能是未经授权的、意外的或恶意的•使用从第三方网站下载的库或创码用于AIAgent可能会浏来供应链风险,这些创码可能被植入了恶意软件,旨循•使用自动化的Agent流程可能会传播和复制恶意创码,以及通过检索增强生成(RAG)对Agent进行“投毒”触5.4最佳实践4:采取安全风险应对措施(2)•为了应对AIAgent的安全风险,企业应采取相应的应对措施,并将这些措施的访问权限授予给IT、安全或任何其他需要管理AIAgent应对措施1:为了检融异常和违规行为,需要给AIAgent的行动、流程、连接、数据暴露、信息流、输出和响应提供—个全面的仪表盘视图。同时,还需要支持对Agent的所有交互和活动进行不可更改的审计跟踪。仪表盘视图应支持对以下内容的可见性:•输出的使用情况:AIAgent的输出是如何随时间被组织使用的;•AIAgent的交互意图:例如Agent的目标、行为和通信方式;•是否遵循企业政策:AIAgent的表现是否符合企业可接受的使用政策;•是否遵循安全、隐私和法律要求:AIAgent的表现是否符合相关的安全、隐私和法律要求;•将AIAgent的行动与企业身份和访问管理(IAM)系统集成,确保可以确定访问权限,并实施最小权限访问控制。应对措施2:••检融并标记那些异常的AIAgent行动以及违反了企业相关政策的行动。企业循建立了仪表盘视图、确定了预期的行动基线后,就可以开始检融异常的交易和行动;考虑到AIAgent交互的速度和数量,人工无法进行所有的监督和修复,因此应尽可能对异常交易进行自动修复;对于无法自动修复的异常情况,应该立刻暂停,并转给人工进行审查和修复。•数据脱敏:当企业定义的敏感数据(例如,个人身份信息或机密的非结构化信息)传递给Agent系统时,进行脱敏处理;应对措施3:•实施最小权限访问:尽可能实施最小权限访问控制。如果检融到违规行为且无法自动修复,则阻止访问,并将问题应对措施3:•支持特定Agent威胁指标的拒绝列表:基于企业数据相关的威胁情报制定—个特定Agent威胁指标的拒绝列表,Agent循行动时需要根据列表进行验证;•支持文件和文件类型的拒绝和接受列表:定义Agent可以访问和不可以访问的文件和文件类型,包括循RAG中支持Agent工作流的文件;•实施监控和反馈循环:通过实施监控和反馈循环,识别由于不固确性导致的不需要的行动。案例1:华为云AIAgent实践(1)•华为云在内部落地AIAgent技术,并总结AIAgent落地的三阶七步法,引导业务团队逐步采纳AIAgent技术,避免对AIAgent的过度预期与失望,同时明确AIAgent的适用场景:落地AIAgent,解决企业生产场景的复杂问题,提升企业生成作业效率如何持续保持效果,并保障安全?如何持续保持效果,并保障安全?引入大模型,少量数据微调引入大模型,少量数据微调专业领域微调/预训练,外挂知识库专业领域微调/预训练,外挂知识库调调练排2.Prompt将支撑将支撑AIAgent的能力平台化,提供给业务开发团队使用案例1:华为云AIAgent实践(2)•在AIAgent的技术实践中,针对专业性、协作性、责任性和安全性挑战,华为云通过企业词表、外挂知识库、模型编排、防退化、防安全风险等关键技术实践,使企业能够更加有效地利用AIAgent技术,提升企业生产场景智能化水平,同时确保技术应用的安全性和责任性专业性、协作性责任性模型编排|理解生成+感知执行模型编排|理解生成+感知执行大模型数据固入标固|领域知识动态知识持续补充|分钟级更新作业即标注|数据飞轮安全性数据安全:隐私数据脱敏数据安全:隐私数据脱敏应用安全:应用安全护栏模型交互安全:安全隔离带案例1:华为云AIAgent实践(3)•以客服AIAgent的实现为例,华为云通过四个阶段的实施,提高客服助手AIAgent的答复准确率,并通过持续优化,实现了与客服业务流程的深度整合,显著提升了客服效率和客户满意度。答准率2%17%答准率1.引入LLM,基于广域2.Prompt,模拟客服3.垂域知识,引入向量搜索+知识库,给AI提4.⼏工标注+SFT微调,5.提升标注质量,进—注,提升标注效率固确率提升,缓解“幻觉”问题,但对问题清固确率提升,缓解“幻觉”问题,但对问题清固确率进—步提升,效果及格,单标注效率和效果良好,达到业务团更新,效果优秀,业务能扮演客服,但“幻觉”严重,无法很好约束模来源:沙丘智库,《华为云AIAgent实案例2:联想基于Multi-Agent的销售提效实践•联想海外销售业务通过建立Multi-Agent系统来简化产品配置建议流程,旨在生成精准的、定制化的产品配置建议;•系统内的每个Agent都由—个大语言模型支持执行特定任务,如检查库存可用性、优先考虑高毛利产品以及根据营销策略推广产品;•根据用户输入的prompt,每个Agent从知识库中获取特定信息,并触发工具包中的相关应用来执行任务。工具包是—个API集合,这些API可以在配置过程中触发应用,不同的Agent会根据不同的任务需求选择不同的API来完成任务。案例3:蚂蚁基于多智能体的投研支小助(1)•蚂蚁agentUniverse是—个大模型多智能体组架,其中,“PEER”是最具特色的模式之—。PEER模式通过计划(Planning)、执行(Executing)、表达(Expressing)、评价(Reviewing)四个不同职责的智能体,实现对复杂问题的多步拆解、分步执行,并基于评价反馈进行自主迭创,最终提升推理分析类任务表现。answerPEERPatternPEERPattern描述分析的维度、过程,描述分析的维度、过程,描述知识框架的用途,集案例3:蚂蚁集团基于多智能体的投研支小助(2)•投研支小助基于PEER模式实现,中间是计划、执行、表达、评价的闭环,且闭环可以嵌套,例如在计划环节引入—层PEER通过分工得到更好的拆解,或者在评价环节再引入PEER的分工来做细粒度的精细评价,让查闭环内的多个Agent决定复杂任务如何进行更合理的拆解;•驱动闭环的核心是智能体中的专家knowhow,这些专家knowhow以“1+4+1”结构的专家组架形式落地,蚂蚁针对9类典型的定性知识挖掘金融知识工程金融知识工程案例4:字节跳动智能运维AIAgent实践(1)•AIAgent可以帮助智能运维领域很多复杂任务类场景的落地,比较常见的故障排查、故障修复等,此外还有通过AIAgent的反思和工具调用能力增强单个大模型的场景,例如运维知识问答、信息检索等;•故障排查场景通过单Agent实现,通过表象现象进行下钻,收集更多异常信息进行综合的根因推断和总结,最终生成故障的诊断定位。 问题:近日应用app001发现应用响应迟钝,部分响应超过了7秒,请帮忙定位故障工具:指标异常检融,日志异常检融,再件工具:历史故障检索,根因分析工具,故障工具:历史故障检索,根因分析工具,故障app001因为主机宕机,导致……告警,机器学习/深度学习,基根因分析:流程+规则,算法,流程+规则+规划计划:I案例4:字节跳动智能运维AIAgent实践(2)•故障修复可使用多Agent方式进行实现,可根据故障依赖的组织结构设计多个Agent,使用主持人的方式,规划/管理各个角色的协作,并对目标的达成进行判断决策。针对使用的知识、工具和环境交互,可利用工具箱进行划分,分配给不同的角色,减少—个角色使用的工具,精简—个角色的职能,提升多Agent的协作效率。………………领域知识/工具,解决领域问题2.使用“主特⼏”模式,实现计划的编排,角色之间的调度,可减少利用“协作”和“对抗/反思”2.利用传统工具+模型建立工具箱,形成“环境”………………领域知识/工具,解决领域问题2.使用“主特⼏”模式,实现计划的编排,角色之间的调度,可减少利用“协作”和“对抗/反思”2.利用传统工具+模型建立工具箱,形成“环境”……案例5:腾讯大数据智能体•腾讯大数据智能体建设旨在构建—个自动驾驶的大数据平台,解决稳定性保障、成本优化和查询加速等问题,同时有效降低运营运维中的人力投入;•大数据智能体更像是—个中控,负责接受用户的自然意图(文字、截图、语音等)作为输入,以大语言模型作为调度工具,整合现有大数据平台的数据知识和数据服务工具,在数据工程、数据科学、数据分析环节提供自动化的智能决策和智能分析服务。大数据智能体---大数据智能体---Ppt…案例6:天弘基金数据分析Agent实践•天弘基金正在开发基于大模型的ChatBI产品,只需要梳理好指标或者利用虚拟化引擎的指标沉淀能力输出给智能BI平台,用户就可以通过问答的方式获取到想要的数据。数据分析Agent的实现思路如下:历史查询Query:过去半年收益较高的指数产品执行:{"time":"最近半年","filter":"收子任务1:查询天弘上半年表现较好的指历史查询Query:过去半年收益较高的指数产品执行:{"time":"最近半年","filter":"收子任务1:查询天弘上半年表现较好的指子任务2:查询天弘上半年收益率大于子任务1:工具:基金筛选API参数:{"fund_yield_rate":">10%",…}子任务2:工具:基金筛选API参数:{"wind_type":"被动指数型基金",…}子任务3:工具:绘图分析API参数:{"name":"天弘上证50",…}对每个查任务参数格式与字段进行校验,工具调用报错,基于报错信息进行参数合预期,不符合预期重新规划查任务QueryQuery查找天弘上半年表现较好的指数基金,子任务1:子任务1:查询天弘上半年表现较好的指子任务2:查询全市场指数基金查任务3:绘制(查任务2结果)上半年工具选择,工具调用意图识别,任务拆解工具选择,工具调用意图识别,任务拆解案例7:中国联通智能体平台•中国联通构建智能体平台,具备融合感知、决策规划、行动和学习记忆能力,智能体平台能够识别用户的真实意图,自主采取行动以实现业务目标,补足与既有平台、应用的集成能力,规模化拓展大模型的能力边界,有效提升客服大模型解决复杂业务问题的能力。……… ………… …长期记忆(向量知识库)长期记忆(向量知识库)来源:沙丘智库,《中国联通智能客服大模型实I案例8:江苏移动客户经理营销助手Agent(1)•江苏移动选用移动自研大模型九天进行私域部署,低代码的构建—整套客户经理AIAgent助手实现业务场景功能。智能体的规划能力借助大模型的语义理解、识别和生成能力进行业务逻辑的规划;智能体的记忆能力借助提示词和知识增强进行业务知识的记忆;智能体的执行能力借助数据库、第三方接口的接入和交互进行业务动作;•项目架构分为MaaS基座层和助手层两大板块:•MaaS基座层提供基础大模型的管理、上下架等全生命周期管理和维护;模型精调、测评、开发解析及助手构建、服务所需的各项工具;还包括专业知识库、业务数据集的数据采集、分类、存储等能力;•助手层细分成数据层、模型层、开发层、集成层:•数据层负责构建同业务相关的知识库,包括业务知识的收集、数据质量分析、业务知识和关键信息的抽取、专业知识库的维护与更新;•模型层针对L0/L1级模型进行精微调,并提供业务模型的精调和训练、模型评测等功能;•助手开发层实现—套基于低代码可视化技术的智能体编排平台,可以依据本平台实现场景下助手的快速编排、开发、调试,并利用提示工程,实现同大模型的交互;•助手集成层负责实现对业务逻辑的集成,实现网格客户经理助手相关的业务逻辑,集成多个智能体助手,串接复杂的业务流程,对外部API接口的接入管理,并提供场景功能的前端展现。I案例8:江苏移动客户经理营销助手Agent(2)平台提供基础模型、数据加工工具,L0九天模型(自研)案例9:58同城智能体方案•58同城智能体方终如下,能够智能解析各种文档,包括Word、PDF、Excel等。此外,还可以通过query改写进行问题拆解、支持多路索引策略,实现高效的索引召回效果。智能体内置多种RAG强化模型,并支持用户在AI平台进行自定义工作流,使智能体能够灵活否API根据资料,黑神话悟空有提到2个结局 否API根据资料,黑神话悟空有提到2个结局 片段—:结局1:天命⼏戴上金箍,继承了大圣意志…片段二:第二个结局是在二周目中,玩械再次对战二郎神…I案例10:平安壹钱包WorkflowAgent实践题,主要将其分为三个Agent:•第—个Agent是规划者,负责理解问题并判断需要调用哪些工具和工作流;•第二个Agent是观察者,负责观察工具调用的结果,生成数据分析结论,并判断是否需要再次调•第三个Agent是决策者,负责总结现有的数据,•以处理用户问题为例,规划者首先理解问题,并将—着,观察者会分析规划者提供的处理流程报告,并分析用哪个具体的工具来执行每个分支流程,并依次执行,执行完后会得到多个中间报告。最后,这些中间报告会交给决策者,由决策者生成—个最终的答终。来源:沙丘智库,《平安壹钱包大模型应用实践》问:xx问:xxxx顾问,结合以下信息生成xx表现分析:析观察者--析观察者--决策者--答:决策者--答:……案例11:微众银行Multi-Agents研发流程提效实践(1)•微众银行最初通过—个简单的Agent示例,确定了企业研发流程中的基础Agent以及Agent之间的协议,并以此为基础进行扩展,从……案例11:微众银行Multi-Agents研发流程提效实践(2)•Agent是实现研发流程提效的关键,企业想要真正提升效率,需要资深的开发人员转去编写Agent来服务整个研发流程。此外,其他人员在使用过程中遇到问题时,不能总是依赖这些核心人员来解决。因此,需要建立更好的人机交互机制,方便人工确认和调整action的顺序,并且需要叠加开发许多tools,以确保整个研发流程能够更加顺⻔地运行。 …… ! ! 案例12:去哪儿Agen