从0开始学习大模型--Day2--大模型的工作流程以及初始Agent

大模型的工作流程

分词化（Tokenization）与词表映射

分词化（Tokenization）是自然语言处理（NLP）中的重要概念，它是将段落和句子分割成更小的分词（token）的过程。

将一个句子分解成更小的、独立的部分可以帮助计算机理解句子的各个部分，以及它们在上下文中的作用，这对于进行大量上下文的分析尤其重要。分词化有不同的粒度分类:

词粒度(Word-Level Tokenization)分词化：适用于大多数西方语言，比如让大模型翻译英语句子“I want to study ACA.”，其会将其分解为["I","want", "to", "study" ,"ACA","."]，以这样的形式来理解句子意思。

字符粒度(Character-Level)分词化：是中文最直接的分词方法，它是以单个汉字为单位进行分词化。

子词粒度(Subword-Level)分词化：它将单词分解成更小的单位，比如词根、词缀等。这种方法对于处理新词(比如专有名词、网络用语等)特别有效，因为即使是新词，它的组成部分(子词)很可能已经存在于词表中了。

每一个token都会通过预先设置好的词表，映射为一个 tokenid，这是token 的“身份证”-句话最终会被表示为一个元素为token id的列表，供计算机进行下一步处理。

大语言模型生成文本的过程

大语言模型的工作概括来说是根据给定的文本预测下一个token。对我们来说，看似像在对大模型提问，但实际上是给了大模型一串提示文本，让它可以对后续的文本进行推理。大模型的推理过程并不是一步到位的，当大模型进行推理时，它会基于现有的token表，根据概率最大原则预测出下一个最有可能的token，然后将该预测的token加入到输入序列中，并将更新后的输入序列继续输入大模型预测下一个token，这个过程叫做自回归。直到输出特殊token(如<EOS>，end ofsentence，专门用来控制推理何时结束)或输出长度达到闽值。简单来说，就是我们给出的问题相对于大模型来说是让其对现有token表做了一个预测，根据回答的文本，先预测出第一个token，输出第一个字，输出的字又会变成token加入到原来的token表中来预测下一个字，平时在使用大模型时看到回答一个字一个字地往外蹦，其实就是大模型在推理。

Agent

AI Agent是基于LLM的能够自主理解，自主规划决策，执行复杂任务的智能体，其设计目的是为了处理那些简单的语言模型无法直接解决的问题，尤其是当这些任务涉及到多个步骤或者需要外部数据源的情况。

在处理问题时，LLM的解决流程是接受输入，思考然后输出，而对于我们人类来说，除了这些流程外，基于问题的不同还可能会涉及到记忆、工具、规划等思考，而这些，就需要Agent来辅助LLM做到了，相当于帮它量化了人类的思维模式。

Agent流程图

规划(Planning):智能体会把大型任务分解为子任务，并规划执行任务的流程;智能体会对任务执行的过程进行思考和反思，从而决定是继续执行任务，或判断任务完结并终止运行。

记忆(Memory):短期记忆，是指在执行任务的过程中的上下文，会在子任务的执行过程产生和暂存，在任务完结后被清空。长期记忆是长时间保留的信息，一般是指外部知识库，通常用向量数据库来存储和检索。

工具使用(Tools):为智能体配备工具 AP1，比如:计算器、搜索工具、代码执行器、数据库查询工具等。有了这些工具AP1、智能体就可以是物理世界交互，解决实际的问题。

执行(Action):根据规划和记忆来实施具体行动，这可能会涉及到与外部世界的互动或通过工具来完成任务。

Agent的决策流程是感知（perception）-规划（planning）-行动（action）-观察（observation）-感知（perception），是一个不断循环的过程，每一个循环代表解决了一个Task。简单来说就是在解决问题时，先感知到问题，理解问题并将其分解为一个个子任务并去完成它，注意每完成一个子任务，都会对结果进行观察，去判定是否应该执行后面的子任务，之前所设定的规划是否需要调整。下面用一个智能家居的场景来梳理一下整个流程：

场景：假设我们有一个智能家居系统，它的任务是根据家庭成员的需求调节室内环境，比如温度和灯光。

1、感知（perception）：

家庭成员通过语音助手说:“我感觉有点冷，能不能把温度调高一些?”

智能家居系统通过语音识别和情感分析技术“感知”到用户觉得房间温度太低，需要提高温度。

2、规划（planning）：

系统根据用户的需求，规划出下一步的行动，决定如何调节房间温度。

系统可能会制定以下计划:

1.检查当前的室内温度；

2.根据用户的偏好和当前温度决定升高几度合适；

3.调整温度设置，并告知用户。

3、行动（action）：

系统执行计划的行动，首先检查当前温度，例如发现室温是20°C。

根据用户的偏好，将温度调高到23°C，并通过语音助手反馈给用户:“我已经将温度调高到23°C，请您稍等，温度将逐渐上升。“

4、观察（observation）：

系统观察房间温度的变化，以及用户的反馈。如果用户在几分钟后再次说“现在温度刚刚好，系统会感知到环境调节成功。

如果用户还觉得冷，系统可能会调整计划，进一步调高温度。

循环：

在每个阶段，智能家居系统都可能根据环境变化和用户反馈调整操作。例如，如果调高温度后用户仍然觉得冷，系统会重新规划，进一步调整温度设置方针。

通过这一系列的感知、规划、行动、观察，智能家居系统能够动态响应家庭成员的需求，不断调整室内环境，直到用户舒适为止。

学习来源于B站教程：【进阶篇】02.Agent决策应用场景分析_哔哩哔哩_bilibili