企业网站 建设公司深圳麒麟网站建设

企业网站 建设公司,深圳麒麟网站建设,做网站要学什么软件,html教程 pdf并且错误的花样还五花八门的#xff1a; description明明写得很清楚#xff0c;但工具就是不被调用#xff1b;工具倒是调用准了#xff0c;但是工具所需参数又拿不到#xff1b;终于最后调好了#xff0c;模型一个更新#xff0c;整个系统又被玩坏了#xff1b; 总结…并且错误的花样还五花八门的description明明写得很清楚但工具就是不被调用工具倒是调用准了但是工具所需参数又拿不到终于最后调好了模型一个更新整个系统又被玩坏了总结下来就一句工具调用Function Calling总出问题这个该如何解决呢大概图示如下但具体要回答这个问题就得从头说起咯首先我们来看智能体架构的基石工具调用一、Agent的本质函数调用首先我们要知道的是现阶段大模型可以说是很简单的因他就只有一个API调用并且只有一个输入/输出但他其实很复杂因为输入内容的背后具有大量的含义需要我们把各行各业的知识放进去否则输出很容易不符预期现在常见的智能体如Manus也是这个模式比如最经典的让模型回答天气情况因为模型本身是没有天气数据的所以在用户询问天气时候需要外调工具这里核心代码是tools [{ type: function,name: get_weather,description: Retrieves current weather for the given location.,parameters: { type: object, properties: { location: { type: string, description: City and country e.g. Bogotá, Colombia }, ...... }, }}]response client.responses.create( modelgpt-5, toolstools, input今天成都的天气怎么样,)可以看出来模型具有哪些工具调用能力全部是我们预定义好的模型会根据用户输入选择使用哪个工具# 用户输入user_query 今天北京天气怎么样# 模型会分析# - 用户问的是天气 → 匹配到 get_weather 的 description# - 提到了北京 → 对应 location 参数# - 决定调用 get_weather 函数而模型是如何判断要调用某个工具呢答案是根据用户输入与description名称、参数也会用到做对比也就是判断“今天北京天气怎么样”与description: Retrieves current weather for the given location.的关联性于是这里问题也就来了也就是我们之前学员会遭遇的问题这里是存在黑盒的对于本次对话要不要调用工具、用哪个工具、参数怎么填这个是没法直接插手的当前场景简单、工具单一模型的表现是很稳健的但生产环境聊天上下文复杂度较高并且工具数量也很多这会加大模型工具调用难度最直接的表现就是 漏调用 → 错调用 → 参数提取错误 → 调用出错而这里会不会出工具调用问题从架构设计来说几乎是必定会发生的而想要缓解工具调用的问题只有两个点可操作第一为问题添加更多上下文以方便模型更好做意图判断也就是在提示词上做文章第二将Tools的设置包括描述、参数等信息写得更清晰点除此两点之外还有些“懒加载”策略每次调用模型前先做一轮意图识别只加载需要的Tools由此降低模型识别压力但总的来说依旧是在大规则内做小优化。只不过出问题不重要重要是发生得多频繁如何降低他的问题。二、意图收敛如果在生产环境已经表现出了多工具调用出问题那么就不能将用户上下文一股脑的给模型了连这种都不能帮我查一下最近北京天气怎么样还有机票贵不贵然后再给一堆工具get_weather、search_flight、search_news...更稳的做法是对用户问题进行改写把输入整理成一个结构化意图做一层意图清洗# 让模型只做意图识别 槽位填充{ task_type: check_weather, city: 北京, need_flight_info: true}再根据task_type去决定到底要出几个子任务、每个子任务暴露哪些工具。换句话说不要让模型一边理解人话一边挑工具一边还要组织答案。把这些步骤拆开这也是我们之前介绍的提示词规则单一职责原则这样操作下来错误率会降低的同时出问题也好直接定位到对应提示词。在落地上常见的几种意图收敛手段**固定输入模板**让用户“填表”做选择题而不是自由回答这种方式使用较少但效果很好**意图识别小模型**第一个模型只负责识别任务类型第二个模型才负责调用工具如果在成本、响应速度有要求时候这个是常见选项**场景分流**用户入口就分查天气/查订单/问知识不同入口走不同的工具集问题改写最后也是最常见的方式会用模型对用户提问基于我们已有工具进行问题改写这种效果较好就是消耗Token很凶{ intents: [ { type: get_weather, city: 北京, date: 最近三天 }, { type: search_flight, from: 上海, to: 北京, date: 本周五, sort_by: price } ]}总结下来就一句话先认为对问题尽量结构化再说工具调用。三、工具收敛前面说过工具调用的黑盒部分我们管不了但工具列表是完全能控制的。很多时候工具调用最大的问题不是模型不够聪明而是你给它的工具太多、太像。这里实操下来策略也就3个可以分享的第一依旧是单一职责原则一个工具绝不完成两个任务# ❌ 多合一大工具description: 获取天气和航班信息# ✅ 单一职责 description: 获取指定城市的实时天气信息第二按场景加载工具包工具包预定义能少则少# 不要有一个大 tools [...] 到处复用weather_tools [get_weather]order_tools [query_order, cancel_order] # 每次请求前根据意图选一个小包挂上去第三描述和名称AI要读得懂# ❌ 模糊的描述description: Retrieves current weather for the given location.# ✅ 清晰的描述description: 获取指定城市的实时天气信息。当用户询问当前温度、湿度、风速时使用。不适用于查询历史天气或气候特征。很多“description明明写得很清楚但就是不被调用”的场景真拆开看会发现description根本没有把什么时候用/不用说清楚还有些时候name与参数的定义非常随意你如果随意模型就更随意了四、自由收敛就算意图收敛、工具列表收敛、描述写得再漂亮最终照样会出问题原因是前面收敛有些动作也是依赖模型本来就可能出问题而更多的情况是参数抽取错误。换句话说关键词抽取错误或者说抽取不稳定是模型常见错误。碰到这种情况要么需要建立飞轮系统不断根据错误增加知识库数据不停在提示词加标签要么会用到微调技术概率很低而有些时候我们也会在代码上做处理加一些验收逻辑比如各种校验def get_weather(location, unitscelsius):# 先校验再执行if not location or len(location) 50: raise ValueError(城市名称无效)if units not in [celsius, fahrenheit]: raise ValueError(温度单位不支持)# 工具返回后检查数据结构是否完整if not response.get(temperature):# 走备用方案或给用户友好提示return暂时无法获取温度信息# 设一个上限比如每次最多重试2次for attempt in range(2):try:return call_tool()except ValidationError:if attempt 1: # 最后一次还错 return抱歉暂时无法处理您的请求...# 真正的业务逻辑...五、工具调用评测集事实上所有的Agent都会需要一个**评测和数据回收。**不然好不好都是抓瞎甚至每次模型发布、新版本发布稳不稳定都只能看脸。而很多人确实也是这样开发Agent的本地调试几次觉得“挺准”上线一跑过几天用户开始骂有时候好、有时候坏、还特别难复现这种“不稳定感”完全就是缺少评测集所致。而要建立这个测试集也很简单就是对错误情况进行收集而收集的第一步就是日志做得足够细甚至每天有人审查一、日志# 每次调用都要记下来log_data { user_input: 今天北京天气, model_tool_call: get_weather, model_arguments: {location: 北京}, tool_result: {temperature: 25}, final_response: 北京今天25度晴天, success: True # 业务标记}二、人工审查 从日志里抽样本标注该不该调用工具应该用哪个工具参数有没有填对然后统计漏调用率、错调用率、参数错误率…三、根据错误样本做优化策略也就是我们前面说的几点这其实就是数据飞轮在Function Calling上的一个子循环生产数据 → 错误样本 → Prompt/规则迭代 → 新版本上线 → 再收集数据六、Skills然后最近Claude提出了Skills策略其实他在一定程度也能缓解工具调用错误问题在Skills策略之前的流程是用户输入 → 模型直接在一堆 tools 里挑漏调 / 选错 / 懒得调常发生在这一层上了 Skills 之后变成用户问题 → 先选 Skill粗意图路由 → 再在 Skill 里用少量工具 既定 SOP模型不再对着几十个工具瞎撞而是在各种小环境里做判断其实可以认为Skills将之前我们一部分工程优化做到模型层去了。Skill 可以缓解选错工具、什么时候调用工具、调用后数据如何处理等问题。但是碰到用户语焉不详、工具schema一塌糊涂等问题时候依旧没办法。只不过Skills这东西还不确定其他厂商要不要支持所以我们后面再具体讨论吧。七、结语2025年10月2日在美国旧金山硅谷举办内部封闭讨论会有600多人的创业者AI工程师参与而真实信息反馈95% 的 AI Agent系统在生产环境中根本用不起来。并不是因为打模型不够聪明而是AI工程以及工具层还需要继续努力最后回归下我们之前说过复杂AI项目的第三难关是意图识别意图识别失败最直观的表现就是工具调用乱七八糟但如果我们从工程的视角拆开看它无非是几件事意图收敛、工具收敛、自由度收敛很多校准以及一条评测数据集。上述动作做完也不意味着问题没了只不过会更心里有数了如果这样都解决不了那就换模型或者等模型更新就好或者我们还有更复杂的策略如提供上下文的上下文只不过这确实很复杂了我们这里就不展开了…如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】