Resource Data

整体设计 智能体产品案例深度思考和分享（全球顶级公司实践细节，做智能体必读） 图：简化的用户查询过程。


代表“知识共享智能体”，是数十个能够处理用户查询的智能体之一 大家可能已经注意到，我们的流程遵循了检索增强生成（），这是生成式系统中常见的设计模式。



在短短几天内
我们就搭建好了基本框架并使其运行起来： 路由()：判断问题是否在处理范围内，是的话将其转发给哪个智能体。


智能体的例子包括：岗位评估、理解公司、帖子要点提取等各种智能体。 检索()：这是一个逐步确定详细信息的步骤（召回率导向的步骤），智能体决定调用哪些服务以及如何调用（例如， 、 等）。


生成()：这是一个精准度导向的步骤，它筛选检索 约旦 telegram 手机号码列表 到的各种数据，过滤它，并产生最终响应内容。 鉴于“路由”和“检索”的分类性质，微调它们相对顺畅：我们构建了开发测试集，并使用提示词工程和内部模型进行优化。


然而，“生成”则是一个完全不同的故事。
它遵循法则；很快可以达到%的准确度，但剩下的%却耗费了我们大部分人的所有工作时间。


当你的产品期望%以上的答案都非常出色时，即使使用最先进的模型，每一个%的进步也仍然需要大量的工作和创造力。


对我们而言好使的招数是： 固定的三步流程 用小模型干路由检索，用大模型干生成 基于内存数据库的（- () ），直接将响应示例注入到我们的提示词中（穷人版微调）。


（注：是个技术名词，感兴趣的自己再查吧。） 在路由和检索过程中针对每个步骤做特定评估 . 开发速度 我们希望多个团队并行快速推进，因此决定将任务拆分为由不同人员开发的独立智能体（即智能体）：岗位评估、理解公司、帖子要点提取等智能体分别由不同团队负责。