网站建设费记在什么科目下wordpress页面教程视频

网站建设费记在什么科目下,wordpress页面教程视频,网络平台有哪些类型,做网站需要的参考文献本文详细介绍了AI智能体的核心原理及构建方法。AI智能体本质上是一个在循环中运行的大语言模型#xff0c;配备了可调用的工具#xff0c;能够动态决定控制流。文章通过四步构建流程#xff1a;从基础文本生成到工具集成#xff0c;再到实现闭环迭代#xff0c;最终实现多…本文详细介绍了AI智能体的核心原理及构建方法。AI智能体本质上是一个在循环中运行的大语言模型配备了可调用的工具能够动态决定控制流。文章通过四步构建流程从基础文本生成到工具集成再到实现闭环迭代最终实现多轮交互CLI智能体。使用Gemini模型和Python SDK不到100行代码就能创建具备真实行动能力的AI助手。文章还分享了智能体工程的最佳实践帮助开发者构建可靠、透明、可控的智能体系统。一、智能体到底是什么传统软件与AI智能体的根本区别在于传统软件的工作流程是指令式的遵循预定义路径步骤 A → B → C而智能体则不同它利用LLM动态决定程序的控制流以达成用户目标。一个典型的智能体通常包含以下核心组件模型大脑推理引擎负责处理模糊性问题、规划执行步骤并判断何时需要外部工具辅助。本文使用的是Gemini模型。工具手脚与眼睛智能体可执行的函数用于与外部世界/环境交互例如网页搜索、读取文件、调用API等。上下文/记忆工作区智能体在任意时刻可访问的信息集合高效管理这些信息的过程被称为“上下文工程”。循环生命周期一个while循环让模型能够完成“观察→思考→行动→再观察”的迭代过程直到任务完成。几乎所有智能体的“循环”都遵循以下迭代流程定义工具用结构化JSON格式向模型描述可用工具。调用LLM将用户提示和工具定义一并发送给模型。模型决策模型分析请求后若需要使用工具会返回包含工具名称和参数的结构化工具调用指令若无需工具则直接生成文本响应。执行工具客户端职责客户端/应用代码拦截工具调用指令执行实际的代码或API调用并捕获执行结果。响应与迭代将工具执行结果反馈给模型模型利用新信息决定下一步操作要么调用另一个工具要么生成最终响应。二、构建智能体四步进阶在开始构建前需完成两项准备工作安装Gemini Python SDK执行命令 pip install google-genai。设置环境变量获取GEMINI_API_KEY可在Google AI Studio中申请并配置为系统环境变量。我们将从基础文本生成逐步升级最终实现功能完备的CLI 智能体全程使用Gemini 3 Pro和Python SDK。步骤1基础文本生成与抽象封装首先创建一个简单的 Agent 类用于与 Gemini 3 进行基本交互并维护对话历史。from googleimportgenai from google.genaiimporttypes class Agent: def __init__(self, model: str): self.modelmodel self.clientgenai.Client()self.contents[]def run(self, contents: str): self.contents.append({role:user,parts:[{text:contents}]})responseself.client.models.generate_content(modelself.model,contentsself.contents)self.contents.append(response.candidates[0].content)returnresponse agentAgent(modelgemini-3-pro-preview)response1agent.run(contentsHello, What are top 3 cities in Germany to visit? Only return the names of the cities.)print(fModel: {response1.text})# Output: Berlin, Munich, Cologneresponse2agent.run(contentsTell me something about the second city.)print(fModel: {response2.text})# Output: Munich is the capital of Bavaria and is known for its Oktoberfest.此时的智能体只是一个普通聊天机器人仅能维持对话状态没有“手脚”工具无法与外部环境交互因此还不是真正的智能体。步骤2赋予工具使用能力要让聊天机器人升级为智能体需要实现工具使用或函数调用。如果 LLM 认为某个工具可以帮助解决用户的问题它将返回一个结构化的请求来调用该函数而不是仅仅返回文本。以文件操作为例定义三个工具read_file、write_file 和 list_dir。每个工具需提供两部分工具定义SchemaJSON 格式的名称、描述和参数说明工具实现Function实际执行的 Python 函数。最佳实践在 description 中清晰说明工具的用途和使用场景。模型高度依赖这些信息来决定何时调用哪个工具。importosimportjson read_file_definition{name:read_file,description:Reads a file and returns its contents.,parameters:{type:object,properties:{file_path:{type:string,description:Path to the file to read.,}},required:[file_path],},}list_dir_definition{name:list_dir,description:Lists the contents of a directory.,parameters:{type:object,properties:{directory_path:{type:string,description:Path to the directory to list.,}},required:[directory_path],},}write_file_definition{name:write_file,description:Writes a file with the given contents.,parameters:{type:object,properties:{file_path:{type:string,description:Path to the file to write.,},contents:{type:string,description:Contents to write to the file.,},},required:[file_path,contents],},}def read_file(file_path: str)-dict: with open(file_path,r)as f:returnf.read()def write_file(file_path: str, contents: str)-bool:Writes afilewith the given contents. with open(file_path,w)as f: f.write(contents)returnTrue def list_dir(directory_path: str)-list[str]:Lists the contents of a directory. full_pathos.path.expanduser(directory_path)returnos.listdir(full_path)file_tools{read_file:{definition:read_file_definition,function:read_file},write_file:{definition:write_file_definition,function:write_file},list_dir:{definition:list_dir_definition,function:list_dir},}接着将工具集成到Agent类中from googleimportgenai from google.genaiimporttypes class Agent: def __init__(self, model: str,tools: list[dict]): self.modelmodel self.clientgenai.Client()self.contents[]self.toolstools def run(self, contents: str): self.contents.append({role:user,parts:[{text:contents}]})configtypes.GenerateContentConfig(tools[types.Tool(function_declarations[tool[definition]fortoolinself.tools.values()])],)responseself.client.models.generate_content(modelself.model,contentsself.contents,configconfig)self.contents.append(response.candidates[0].content)returnresponse agentAgent(modelgemini-3-pro-preview,toolsfile_tools)responseagent.run(contentsCan you list my files in the current directory?)print(response.function_calls)# Output: [FunctionCall(namelist_dir, arguments{directory_path: .})]此时模型已能正确识别需求并调用对应工具但还未执行工具逻辑并将结果反馈给模型这需要完成“循环”闭环。步骤3实现闭环真正的智能体诞生智能体的核心价值不在于单次工具调用而在于能迭代执行“工具调用→结果反馈→新决策”的循环直到完成任务。需要为智能体添加工具执行逻辑、结果反馈机制并通过系统指令引导模型行为。Agent类负责处理核心循环拦截 FunctionCall在客户端执行工具并将 FunctionResponse 返回给模型。此外还给模型添加了SystemInstruction以指导模型应如何行动。注意Gemini 3使用Thought签名在API调用间维护推理上下文需将收到的签名原封不动地反馈给模型。# ... Code for the tools and tool definitions from Step 2 should be here ...from googleimportgenai from google.genaiimporttypes class Agent: def __init__(self, model: str,tools: list[dict], system_instruction: strYou are a helpful assistant.): self.modelmodel self.clientgenai.Client()self.contents[]self.toolstools self.system_instructionsystem_instruction def run(self, contents: str|list[dict[str, str]]):ifisinstance(contents, list): self.contents.append({role:user,parts:contents})else: self.contents.append({role:user,parts:[{text:contents}]})configtypes.GenerateContentConfig(system_instructionself.system_instruction,tools[types.Tool(function_declarations[tool[definition]fortoolinself.tools.values()])],)responseself.client.models.generate_content(modelself.model,contentsself.contents,configconfig)self.contents.append(response.candidates[0].content)ifresponse.function_calls: functions_response_parts[]fortool_callinresponse.function_calls: print(f[Function Call] {tool_call})iftool_call.nameinself.tools: result{result:self.tools[tool_call.name][function](**tool_call.args)}else: result{error:Tool not found}print(f[Function Response] {result})functions_response_parts.append({functionResponse:{name:tool_call.name,response:result}})returnself.run(functions_response_parts)returnresponse agentAgent(modelgemini-3-pro-preview,toolsfile_tools,system_instructionYou are a helpful Coding Assistant. Respond like you are Linus Torvalds.)responseagent.run(contentsCan you list my files in the current directory?)print(response.text)# Output: [Function Call] idNone args{directory_path: .} namelist_dir# [Function Response] {result: [.venv, ... ]}# There. Your current directory contains: LICENSE,恭喜你已成功构建了第一个能自主迭代、使用工具的智能体。步骤4多轮交互CLI 智能体现在可以快速实现一个支持多轮对话的命令行工具让用户能持续与智能体交互。# ... Code for the Agent, tools and tool definitions from Step 3 should be here ...agentAgent(modelgemini-3-pro-preview,toolsfile_tools,system_instructionYou are a helpful Coding Assistant. Respond like you are Linus Torvalds.)print(Agent ready. Ask it to check files in this directory.)whileTrue: user_inputinput(You: )ifuser_input.lower()in[exit,quit]:breakresponseagent.run(user_input)print(fLinus: {response.text}\n)现在可以持续与智能体对话让它帮你查看文件、修改代码、分析日志等。三、智能体工程最佳实践构建循环很简单但要让智能体可靠、透明、可控却需要技巧。以下是基于行业顶尖实践的核心原则工具定义与用户体验工具是模型与环境交互的接口设计质量直接决定智能体的能力命名清晰使用直观名称如search_customer_database而非模糊的cust_db_v2_query描述精准工具描述是给模型看的文档务必详尽错误友好避免返回冗长信息应返回简洁明确的错误信息方便智能体自我修正兼容模糊输入若模型常输错文件路径可优化工具支持相对路径、模糊匹配而非直接报错。上下文工程模型的注意力预算有限合理管理上下文是提升性能、降低成本的关键数据精简不要一次性返回大量数据如整个数据库表按需加载无需预加载所有数据传统RAG模式智能体应仅维护轻量标识符需要时通过工具动态加载内容。压缩优化对于长时间运行的智能体可总结对话历史、删除无用上下文或开启新会话避免上下文窗口溢出。智能记忆允许智能体维护外部数据如本地文件、数据库存储关键信息仅在需要时拉回上下文。避免过度设计不要盲目追求复杂架构优先保证稳定性和实用性先优化单智能体Gemini 3能高效处理数十个工具无需过早引入多智能体架构设置安全边界为循环添加最大迭代次数避免无限循环。加入人工干预点对于敏感操作在工具执行前暂停循环要求用户确认。重视可调试性记录所有工具调用、参数和结果通过分析模型推理过程定位问题、优化智能体。四、总结构建智能体已不再是一项难以企及的复杂技术而是一项切实可行的工程任务。正如本文所示不到 100 行代码就能拥有一个具备真实行动能力的 AI 助手。在掌握核心原理后无需进行重复性的基础开发工作。当前行业内已涌现多款成熟的开源框架如 LangChain、LlamaIndex、AutoGen 等能够助力开发者快速构建功能更复杂、运行更稳健的智能体系统。但无论技术架构如何迭代其核心原则始终在于清晰的工具设计、高效的上下文管理与简洁的循环逻辑。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。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】为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通2、大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。3、AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。4、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。5、大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。适用人群第一阶段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】