在什么网站可以接设计做软件开发前景分析

在什么网站可以接设计做,软件开发前景分析,购物网站开发中查看订单的实现逻辑,做网站电销话术他观点很清晰#xff1a;Workflow没用了#xff0c;是落后的技术#xff0c;现在都是Agent时代。让我不要固执己见#xff0c;拿着一年前过时的技术“妖言惑众”… 当时因为这事群里发生了激烈的争论#xff0c;很多人都参与进来了#xff0c;最终结果是谁也没说服谁。但…他观点很清晰Workflow没用了是落后的技术现在都是Agent时代。让我不要固执己见拿着一年前过时的技术“妖言惑众”…当时因为这事群里发生了激烈的争论很多人都参与进来了最终结果是谁也没说服谁。但从很多产研大佬的反馈来说印证了我之前一句话Agent拿到了融资Workflow解决了工作问题。一、Agent VS Workflow其实两者差异很清晰的决策权只要在模型那么就是Agent如图所示Agent是一个标准的ReAct架构思考→执行→观察 结构Workflow就是我们在代码中将所有分支都定死模型的作用就是根据输入做输出Agent属于将if/else判断的部分交给模型了。进一步Workflow最大的特点是稳定、成本低、效率高但几乎没有灵活性流程变一点就一定要人工上手做调整而Agent最大的特点是灵活可以兼容大部分场景。问题也很明显黑盒太多并且ReAct架构天生稳定性差、成本高、响应慢。以同一个功能来区分Workflow和Agent上海天气怎么样?首先是Workflow他需要做的是意图识别要么用程序、要么用AI去判断这里是否有天气咨询的需求如果有就用程序或模型取出参数自己手动调用API而Agent的话其实跟上述动作大同小异首先两者API调用都是一套工具代码没有任何不同其次Workflow的意图识别是我们主动发起的如果这里意图识别很多的话程序可能会很臃肿if 天气 需求意图Workflow后续流程if 旅游 需求意图Workflow后续流程if 机票 需求意图Workflow后续流程......可以看到Workflow的识别全部是显示的而在这里Agent架构的差异性就出来了他不需要要那么多if判断取而代之的是工具定义[ { tool_name: weather, tool_desc: 查询某地的天气, tool_examples: [上海天气怎么样, 北京天气怎么样] }, { tool_name: travel, tool_desc: 某地的游玩计划, tool_examples: [上海有哪些好玩的, 北京有哪些好玩的] }]这里甚至可以说是模型给的一个语法糖他并没有吃掉之前的if判断只不过将判断逻辑写进了参数核心是description、name…其实为什么要这样做乃至可以这样做的原因也很简单模型语义能力大大的提升了产品的泛化能力。这里结论是之前Workflow的判断被模型的意图识别替换掉了这里就大大增加了整天产品的灵活性是模型泛化能力的体现。谁来做工具调用的判断也就是Workflow和Agent的核心差异了二、如何选择如上所述Workflow里面。业务流程是人写死的模型只是某几个节点里泛化能力语义理解能力更强的API而Agent是将业务的编排逻辑下放给了模型他首先要负责想其次要负责选这里想和选的部分很依赖模型本身的能力有些小领域几乎没法做出合理的规划包括工具调用也是因为工具调用的背后是意图识别所以当模型能力不足或者各方面要求较高的时候Workflow都不是首选了是唯一选择。更进一步的判断逻辑是整个业务选型要从任务目的出发如果稳定性、成本、响应速度要求太高无脑Workflow就好。只不过从我之前生产实践来说Workflow和Agent两者之间并不是互斥的我们往往都会用到也就是最核心的业务错了要赔钱的任务会用Workflow做基本保障跳出核心业务用户对于错误感受不严重的使用Agent架构关于为什么要使用这套混合架构的答案很简单没办法Workflow只能解决80%不到的需求进一步说用户的意图是无穷的我们根本做不到穷举他所有的需求然后一一硬代码做稳定的实现在这个时候Agent可以缓解产品完整性很大的压力换个问题Agent如果表现得好就能100%解决用户需求了吗答案也是否定的。意图是无穷且天马行空的但每个产品的边界却很清晰他首先受控于Tools各种组合可以完成的部分比如如果Tools没有支付功能那么Agent怎么都不会有其次Agent产品的能力也受控于领域知识的局限性比如突然从一个医疗Agent跳到法律Agent在真实世界的框架里是合理的比如出了医疗事故必定会涉及法律部分的问题但在Agent产品中未必可以这样做因为不同国家、地区乃至医院体系这里的处理逻辑会有所不同所以在各个垂直领域Agent成熟并且对外释放接口前这一切不会发生。最后上述的所有可能都是建立在假设模型基本能力很强在意图识别上不会出问题的基础上加之工具的集成还有一个阶段所以通用Agent的出现还有很长的时间。至此我相信大家对Workflow和Agent的差异是什么以及两者之间该如何选择已经十分清晰了那么这里只留下最后一个问题了前面我们已经说了Agent架构的核心是意图识别和工具调用这里意图识别延展出来是**上下文工程和模型本身能力提升的问题**这个话题太大我们不做讨论但Agent所需工具也是千奇百怪他该如何实现我们也许是值得探讨的问题三、AI 编程 和 Agent Tools得益于模型能力的发展与历史海量的互联网工具的积累Agent模式虽然在25年没解决太多问题但已经崭露头角了而这里工具的实现就很有意思了。正常情况下每个工具的调用是我们一个个做的但是其实这里是否存在另一个可能Agent依赖的工具是他自己动态添加实时创造的呢这是一种Agent做产品经理模型做码农的模式他理论上是可行的他最终会指向一个可能性Agent能否超越预先定义的能力边界在运行时动态扩展其技能树而这已经发生了之前我就做过一次如视频所示这里我给Agent的指令是为我生成一个游戏而他马上调用Claude Code做出来了所以编程这个Agent拥有的工具几乎理论上是万能的更进一步他可以干什么呢答案是他可以自己创造数据、微调模型因为这个是真的不难他也属于标准AI 编程其中一环…所以未来的Agent可以很激进当天在运行过程中发现现有 Tools 不够用于是自己写一个、自己挂上去这才是很多人口中的“真正智能体”。一个典型流程可能是这样的把这 10 万行日志做异常模式分析再生成一个交互式可视化页面Agent 发现任务没法仅靠现有工具完成他在一个受控的代码执行环境里生成一段分析的代码执行、测试通过之后将他包装为Tools…如果再往前推一步这个“代码执行环境”本身也是一个 Tool于是就形成了一个很有意思的闭环Tool 里的代码由模型生成模型再调用这些 Tool 来完成更复杂的任务。从架构视角看你等于多了一层以前是模型 → 工具集现在变成模型 → 工具工厂 → 新工具集 → 再被模型使用当然这一切还远真的这样做就是在沙滩上建立沙滩碉堡这种东西是经不起风雨的但这个趋势已经出现了…四、结语最后总结一下Agent融到了钱Workflow解决了实际的问题。两者之间没有孰优孰劣还是要看业务是什么、任务是什么、问题是什么。Workflow 落不落后、Agent 到底多智能纠结这些干嘛谁更适合解决他们就用什么工具罢了在你的业务里哪些必须交给 Workflow 保底哪些可以放心交给 Agent 去冒险这个边界划得越清楚你的 AI 项目就越有机会既活得久又跑得快。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】