AI相关的笔记

推荐视频： https://www.bilibili.com/video/BV1aeLqzUE6L/?share_source=copy_web&vd_source=3d0a14a267c9cbda8f2a6184dd8c564d

AI Agent

AI Agent（人工智能代理）

AI Agent 是一种具备自主决策和执行能力的智能程序，能够像人类一样感知环境、规划任务并采取行动。其核心架构包括：

1. ​​大脑（大模型）​​：基于LLM（如GPT-4）实现任务理解和推理
2. ​​三件套能力​​：
   • ​​规划​​：拆解复杂任务为子步骤（如订餐厅需查评分、确认时间等）
   • ​​记忆​​：短期记忆（对话上下文）和长期记忆（外部数据库）
   • ​​工具调用​​：通过API或插件调用外部服务（如天气查询、支付接口

一个简单的Ai Agent例子（查看文件使用的编程语言、据此修改文件名）

#### main.py
from pydantic_ai.models.gemini import GeminiModel
from pydantic_ai import Agentfrom dotenv import load_dotenv
import toolsload_dotenv()
model = GeminiModel("gemini-2.5-flash-preview-04-17")agent = Agent(model,system_prompt="You are an experienced programmer",tools=[tools.read_file, tools.list_files, tools.rename_file])def main():history = []while True:user_input = input("Input: ")resp = agent.run_sync(user_input,message_history=history)history = list(resp.all_messages())print(resp.output)if __name__ == "__main__":main()#### tools.py
from pathlib import Path
import osbase_dir = Path("./test")def read_file(name: str) -> str:"""Return file content. If not exist, return error message."""print(f"(read_file {name})")try:with open(base_dir / name, "r") as f:content = f.read()return contentexcept Exception as e:return f"An error occurred: {e}"def list_files() -> list[str]:print("(list_file)")file_list = []for item in base_dir.rglob("*"):if item.is_file():file_list.append(str(item.relative_to(base_dir)))return file_listdef rename_file(name: str, new_name: str) -> str:print(f"(rename_file {name} -> {new_name})")try:new_path = base_dir / new_nameif not str(new_path).startswith(str(base_dir)):return "Error: new_name is outside base_dir."os.makedirs(new_path.parent, exist_ok=True)os.rename(base_dir / name, new_path)return f"File '{name}' successfully renamed to '{new_name}'."except Exception as e:return f"An error occurred: {e}"

MCP协议

MCP是由Anthropic提出的开放标准，旨在为LLM提供统一的外部工具和数据连接框架，类似“AI的USB-C接口”

1. ​​核心架构​​：
   • ​​MCP主机​​：发起请求的AI应用（如Claude Desktop）。
   • ​​MCP客户端​​：格式化请求并与服务器通信。
   • ​​MCP服务器​​：中介角色，连接数据库、API等资源
2. ​​优势​​：
   • ​​标准化​​：统一JSON-RPC协议，降低开发成本
   • ​​安全性​​：数据本地处理，避免云端泄露
   • ​​模块化​​：支持动态扩展工具（如日历、支付接口）

RAG

RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合信息检索与文本生成的技术，旨在提升大模型（如GPT等）生成内容的准确性和时效性。以下是其核心要点：

1. ​​工作原理​​

• ​​检索阶段​​：当用户输入问题或请求时，RAG会先从外部知识库（如数据库、文档、网页等）中检索相关片段，而非仅依赖模型内部训练数据。
• ​​生成阶段​​：将检索到的信息与用户输入结合，输入到大语言模型中，生成更精准、可靠的回答。

2. ​​核心优势​​

• ​​解决幻觉问题​​：传统大模型可能生成虚构内容，而RAG通过检索真实数据减少错误。
• ​​动态更新知识​​：无需重新训练模型，仅需更新外部知识库即可获取最新信息。
• ​​可解释性​​：生成结果基于检索内容，便于追踪信息来源。

3. ​​典型应用场景​​

• ​​问答系统​​：如客服机器人，需实时调用产品文档或政策条款。
• ​​知识密集型任务​​：医疗、法律等领域需高准确性回答。
• ​​个性化推荐​​：结合用户历史数据生成定制化内容。

4. ​​技术关键点​​

• ​​向量检索​​：将文本转换为向量，通过相似度匹配快速定位相关段落（常用工具：FAISS、Milvus等向量数据库）。
• ​​上下文整合​​：如何高效拼接检索结果与用户输入，影响生成质量。

5. ​​与微调的区别​​

• ​​微调（Fine-tuning）​​：直接调整模型参数以适应特定任务，但成本高且无法动态更新知识。
• ​​RAG​​：保持模型不变，通过外部检索扩展能力，更灵活且成本低。