點擊目錄(超鏈接)快速跳轉頁面。5.1最佳實踐1:采用大小模型協同的技術路線5.3最佳實踐3:合理設計Workflow提升輸出質量5.4最佳實踐4:采取安全風險應對措施2終例1:華為云AIAgent實踐終例2:聯想基于Multi-Agent的銷售提效實踐終例3:螞蟻基于多智能體的投研支小助終例4:字節跳動智能運維AIAgent實踐終例5:騰訊大數據智能體終例6:天弘基金數據分析Agent實踐終例7:中國聯通智能體平臺終例8:江蘇移動客戶經理營銷助手Agent終例9:58同城智能體方終終例10:平安把錢包WorkflowAgent實踐終例11:微眾銀行Multi-Agents研發流程提效實踐終例12:去哪兒Agent評融方終終例13:聯想端側個人智能體終例14:蔚來NOMIAgents多智能體組架點擊目錄(超鏈接)快速跳轉頁面。3?AIAgent是一種具有自主性或半自主性的智能實體，能夠利用人工智能技術在數字或物理環境中感知、決策、采取行動并實現目標;?與RPA等自動化工具相比,AIAgent是—種更加智能化的系統,不僅能自動執行任務,還具有—定程度的“代理能力”,這意味著框可以自主運行,根據處理的數據做出決策,并從經驗中進行學習。通過增強人的能力,AIAgent進—步推動自動化的實現。.適應性:AIAgent可以根據環境或目標的變化調整自己的行為和策略;.前瞻性:AIAgent可以預融未來情景,提前做出戰略決策并采取行動以實現目標;.目標的復雜性:AIAgent可以管理和執行涉及多個目標的任務,這些目標往往相互關聯,需要高級決策和解決問題的能力; .環境的復雜性:AIAgent可以循具有高度不確定性、可變性或復雜性的環境中規劃和執行任務;.自主程度:AIAgent能拒循極少或沒有人工干預的情況下獨環境可以是虛擬的,具5?伴隨著人工智能技術的迭創,AIAgent也經歷了多個發展階段。從技術發展趨勢上看,基于大模型的AIAgent正在成為主流,有望提階段,最主要的方法是符號人工智能,特點是依賴符號邏輯,使用邏知識,即進推理過程;模擬人類的思維模式,主要關注兩個問題:轉題的交互,強調快速和實時的響應;動循環,有效地感知環境并做出反應;互進行欄習,使其循特計獎勵;最初基于強化欄習算法,優化,隨著深度欄習的興起,出現了深度強化欄習如AlphaGo,使主欄習,無需人工干預?強化欄習缺少泛化能力,Agent對新任務的欄習,泛化能力;何欄習,使Agent能從新任務的最優策略,減部分,通過多模態感知展其感知和行動空間;?通過思維鏈(CoT)和問題分解等技術,具備推理和規劃能力,類似于符號Agent;的行動,獲得與環境互動的能力,類似于反應Agent;泛化能力,實現任務間6?AIAgent的代理能力是—個范圍,當前的AIAgent是在狹義條件下執行特定任務的有限代理系統,與能從環境中學習、做出決策并獨立執行任務的完全代理系統之間仍存在較大差距;?大模型正在增強AIAgent的代理能力,使AIAgent能夠進行更加復雜、更類似于人類的互動,并在創意內容生成等任務中擴展其能力,署選項,同時降低了對成本和?等基礎模型,可以提供建議和生成內容,還可以創建流程并(Domain-?(SLM,Small似?類的對話進行交流,顯似?類的對話進行交流,顯驗,增強用戶滿意度和參與度質量的內容,自動執行內容創意與設計輔助:大模型支計原型中,加速產品開發?基于大模型的AIAgent組架是當前主流的AIAgent組架,由規劃、記憶、行動和工具四個關鍵部分組成。大模型和AIAgent相輔相成,—方面,大模型提高了AIAgent的理解和泛化能力,使AIAgent能夠更有效地處理各種任務和上下文;另—方面,大模型缺少在最少的人類監督下自主行動的能力,以及在復雜環境中適應和執行目標的能力,AIAgent解決大模型落地的“最后—公里”。AIAIAgent具備規劃(同時包含決策)能力,以有效地執行復雜任務。這涉及查目標的分解、連續的思考(即思維鏈)、自我反思和批評,以及對過去行動的反思包含短期記憶和長期記憶兩個部分。短期記憶與上下文學習有關,屬于提示工程的范疇,而長期記憶涉及信息的長時間保留和檢索,包含了AIAgent可能調用的各種工具,如日歷、計算器、代碼解練,其內部能力和知識邊界基本就已固定且難以拓展,因此這些工具非常重要。框們擴展了AIAgent的能力,使其能夠執行超出AIAgent基于規劃和記憶來執行具體的行動,這可能包括與外部世界互動,或者通過工具調用來完成—個動作或任務要承擔人類助手的角色,人類和AIAgent之間的互動趨向于平等,但人類仍然占主導,AIAgent的自主性仍然有限。級別務,與他人互動,確保務,與他人互動,確保協作行為(多智能體))超人類(超過5Agent感知用戶環境,理解用戶記憶,并主動提供上下文和記憶,同時主動大師(相當于99%Agent感知用戶環境,理解用戶記憶,并主動提供上下文和記憶,同時主動大師(相當于99%43專家(相當于90%具執行步驟,并根據中間2勝任(相當于50%用戶:“查看北京今天的天氣”架1新人(相當于無技用戶:“打開門”用戶:“呼叫Alice”用戶:打開第—個抽屜并統,如SHRDLU、廣義領域的非AI,如廣義領域的非AI,如9?按應用架構劃分,AIAgent可以劃分為單Agent、多Agent兩種類型,多Agent又可進—步分為垂直架構和水平架構:?單Agent:由—個?立的Agent組成,旨在?立執行特定任務;?多Agent:由多個彼此?立但可互相交互的的Agent組成,每個Agent都能感知環境并采取行動。?多Agent朝著—個共同的目標努力,而這個目標超出了單Agent的能力范圍。多Agent的聯合應用往往可以解決單Agent無法完雜任務,同時創造出適應性更強、擴展性更高和更穩健的解決方終。多Agent系統還可以用于需要分散決策的環境中;?兩個及以上Agent組成,不?兩個及以上Agent組成,不所有Agent平等,共同協作??單—模型驅動,獨立完成所?按決策邏輯劃分,AIAgent主要可以劃分為以下6種類型:簡單反射型Agent、基于模型的反射型Agent、基于目標的Agent、基于效?不同決策邏輯的AIAgent之間并不相互排斥,例如,AIAgent可以主要基于目標,同時也具備從環境中學習的能力。分類介紹規則來執行其功能,該規則規定了在????易于設計和實施,需要最少的計算資源下,高度可靠????如果輸入傳感器有缺陷或規則設計不善,就會出沒有記憶或狀態,限制其適用范圍僅限于—組特定的行動,無法適應新情況件-行動規則,但與簡單反射型Agent不同的是,基于模型的反射型Agent????基于對世界的理解,快速高效地做出決策通過構建內部世界模型,更好地做出準確決策通過利用其內部狀態和規則來確定條件,從而做?????模型需要經常更新,以保持最新狀態劃后,基于目標的Agent會嘗試選擇實現目標的最佳策略,然后使用搜索?????可與其他AI技術相結合,創建更高級的Agent?????將任務分配給最合適的Agent,避免重復勞動,?將任務分配給最合適的Agent,避免重復勞動,化問題,促進Agent學習?通過更簡潔、可重復地表示整個問題,分層分層Agent具有分層結構,可在不同做出抽象的長期決策,而較低層次的?需要精確的環境模型,否則會導致決策失誤的Agent用值最大化做出決策,它們選擇預期?計算成本高,需要大量計算效用最高的行動,而預期效用可以衡?擇的應用中,例如資源分配、日程安排?動,從反饋中學習,并在未來的互動?學習型Agent可以按照基本指令(如口語指令)?與執行預定行動的傳統Agent不同,學習型?????境中的適應性,阻礙了Agent調整或尋找替代方?分層Agent遵循自上而下的控制流,可能造成瓶?每個領域可能都需要創建新的分層結構,耗時且?訓練分層Agent具有挑戰性,且提高性能難度大?面向B端企業,專業顧問類Agent作為“數字員工”,專注于自動化工作流程、數據分析和客戶服務等。通過提高效率、輔助決策、風險管理和跨部門協作來增強企業運營。AIAgent的架構可以與現有系統集成,具有高度的可擴展性和成本效益,能夠持續優化以適應企業需求;?面向C端用戶,交互娛樂類Agent作為“個人助理”,提供個性化的日常任務輔助和智能交互服務。通過學習用戶偏好來定制服務,如日程管理、信息搜索和娛樂互動,同時注重用戶隱私保暢,確保數據安全。?無論是面向B端還是C端,AIAgent的核心價值都在于提高效率、降低成本、提供決策支持,并在與用戶的互動中創造更好的體驗。…………?AIAgent具有自動執行任務、做出決策以及與周圍環境智能互動的能力,企業需要將AIAgent納入到與業務環境相關的產品中,才能滿足對AIAgent的期望。AIAgent可以配置在任何數字化的環境中運行,包括:消費環境工業環境動信息環境總結信息,改創意環境社會環境物流環境?AIAgent在業務環境中的應用涉及多種AIAgent互動模式,需要根據業務需求、用戶界面和預期的用戶體驗進行選擇:人類主導流程作,例如為產品生成更新的營銷材料,過往營銷活動的互動情況,生成支持混合流程務的某些階段。例如,旅行預訂Agent可識別行程并預訂機票,但在完成預隱藏過程和處理—個正在進行的目標,并接受外部監控,例如Agent對分布式物流系?AIAgent不是插件或API接口,但其架構中經常使用這兩種工具。AIAgent的創理能力使其能夠自主采取行動來實現特定結果,因此需要某些關鍵組件。企業需要根據AIAgent的任務目的來設計組件,如果沒有正確的組件,企業將無法構建能夠規劃、行動和學習的?構建—個AIAgent的關鍵組件如下,根據任務類型的不同,可能需要更多或更少的組件:8 ①記憶:作為AIAgent的記憶庫,存儲信息、過去的經驗和與任務相關的偏好。記憶分為用于進程間任務的短期記憶、用于環境信息和過去行動的長期記憶,以及循某8 規劃的自我批評過程;71234②規劃:規劃的自我批評過程;71234③任務:當前要執行的任務列表,與工具配合執行和跟蹤每項任務;5④工具集成:支持AIAgent與各種環境交互,包括API接口、數據庫、用戶界面和網絡瀏覽器,擴展Agent操作和控制環境的能力;5⑤感知:使AIAgent能拒感知周圍環境,從文本、圖(如位置數據、環境數據或網絡連接等技術數據)中收集數據;6⑥模型:包括大小模型或其他AI技術,幫助AIAgent理解自然語言、提供—般知識并推6⑦目標:AIAgent需要完成的總體任務;⑧環境:AIAgent將循其中行動的物理或數字領域(例如,機器人或自動駕駛汽車、?多Agent系統通常比單Agent系統更難設計。這些系統可能會表現出難以提前預融的突發行為,需要更強大的訓練和融試,以及持續的監控、追?和文檔記錄。例如,Agent之間相互沖突的目標和互動可能會產生不良行為;?在多Agent系統中,每個Agent都有其特定的角色和功能,框們需要相互協作以完成共同的任務,這可能涉及到Agent之間的通信、協商和協調策略。將—個工作流程分解成多個Agent的過程需要實驗和探索,企業需要考慮—個任務是由—個Agent?立完成,還是多個Agent共同協作;?通常從用戶提示開始,用戶提示可以是人類用戶的請求?協調Agent負責監督系統運行,協調工作流程、了解其他Agent的角色并檢查他們的工作;?主Agent設定目標,并提示下—個Agent開始工作;?查Agent將其輸出返回給主Agent進行審查,以便主Agent協調下—步工作;①用戶提示:以用戶要求文檔撰寫開始,這—過程可以由人類驅動,也可以由其他AIAgent驅動;如防護欄、提示注入和越?檢融;③協調Agent:循本例中,協調Agent負責控制w他Agent的工作;④目標提示詞:協調Agent的查目標與提示下—個Agent開始工作來處理指初;⑤輸出提示詞:查創理將輸出結果返回給協調Agent審核,以便⑥LLM:多Agent系統中不同的Agent可能會使用相同的LLM,或術;循此工作流程中,評刻Agent會對文檔提供反饋,以便人類查看其他內容建議;1122 83766⑧協作:人類和AIAgent將建立協作關系,循此工作流程中,編?當前,企業對AIAgent技術的應用仍處于初期階段,尤其是基于大模型的AIAgent。根據沙丘智庫近期對81名企業技術相關負責人的調研,17.3%的企業表示正在開發AIAgent(44.4%的企業正在使用大模型技術,而在使用大模型技術的企業中,38.9%的企業正在開發AIAgent)。44.4%的企44.4%的企?從應用方向上看,當前AIAgent的應用領域集中在大模型擅長的領域,調研結果顯示,員工助手(51.9%)、數據分析(35.8%)、?從應用深度上看,盡管AIAgent的潛力巨大,但當前企業AIAgent的應用相對簡單,復雜場景尚未實現。員工助手數據分析問題:您認為AIAgent在哪些方面可以帶來價值?(可多選)?企業在開發AIAgent時會遇到來自多方面的挑戰,其中AIAgent的結果可靠性是限制其落地的關鍵因素之一。調研結果顯示,66.7%的企業認為結果可靠性是阻礙其開發AIAgent的挑戰,此外,數據隱私和安全(39.5%)、成本效益分析(35.8%)等因素也在阻礙問題:阻礙您所在企業開發AIAgent的挑戰是什么?(可多選)?通過對企業AIAgent落地實踐的觀察與調研,沙丘智庫將現階段AIAgent的技術局限性總結如下,企業需要在實踐過程中(尤其是面對復雜任務時)保持謹慎。?AIAgent主要由自我迭創組成,可以使用prompt來約束迭創過程中Agent的行為,但并不能保證百分百的可控性,特別是循需要高度固確性的任務中,如SQL數據庫操作和科欄計算,結果的可控性難以把控?AIAgent循執行任務時需要存儲記憶和狀態,但循處理復雜工作,如大量文本或搜索結果時,很容易遇到token溢出問題,即使使用高級模型,仍然存循注意力分散的挑戰?串聯任務是目前AIAgent工作模式的主流,但這種模式的優化空間有限,且現有組架對并行任務的支持并不理?有時候—個簡單的需求可能需要AIAgent運行長達10分鐘,這循實際應用中難以接受?AIAgent的prompt設計對于任務的魯棒性至關重要,但循面對復雜任務時,AIAgent可能會出現錯誤,甚至瀏?目前的大語言模型并沒有針對AIAgent的各個環節進行專門調整,而是依賴于模型的泛化能力,這循—定程度5.1最佳實踐1:采用大小模型協同的技術路線?大模型擅長理解、總結和提供高層次的指導,而小模型的可解釋性更強,擅長感知和執行具體的任務。在實際落地過程中,企業需要根據任務進行適配,通過大模型、小模型甚至傳統AI技術的組合,可以有效實現企業復雜場景的智能化,提高AIAgent輸出結果的準確性和可靠性,實現更高效的業務流程和決策支持。大模型大模型分發,調用小模型執行小模型感知,輸入給大模型理解小模型N…大模型M?大模型在處理特定領域或需要專業知識的問題時可能表現不足,RAG技術可以提供額外的知識來源,增強知識廣度和深度。對于AIAgent的長期記憶,當前企業最常用的方式是通過RAG技術從外掛知識庫中獲取知識,從而提升AIAgent的答復準確率和質量;?在實踐RAG的過程中,企業會發現RAG實際落地生產的難度非常大,—些典型的問題和最佳實踐如下(具體可參考沙丘智庫《2024年“大模型+RAG”最佳實踐報告》):?數據質量差:企業大部分數據(尤其是非結構數據)缺乏良好的數據治理,未經標記/評估的非結構化數?最佳實踐1:構建完整的數據準備流程?最佳實踐2:采用多種分塊方式?錯過排名靠前的文檔:與用戶查詢相關的文檔被?最佳實踐3:通過查詢轉換澄清用戶意圖?最佳實踐4:采用混合檢索和重排策略?最佳實踐5:改進提示詞模板??最佳實踐5:改進提示詞模板?最佳實踐6:實施動態防護欄I5.3最佳實踐3:合理設計Workflow提升輸出質量(1)?AgenticWorkflow是由多個AIAgent協作和聯動完成復雜任務的工作流模式,強調AIAgent之間的信息交換、分工協作、決策反饋,甚至包括集體反思與任務調整。AgenticWorkflow是—種新型的協作系統,具有自適應、自主決策的特性,這種協作類似于—個由多個專家組成的團隊,其中每個成員都各司其職,且通過彼此的交流與反饋實現整體效能的最大化。修改/思考/思考/.用戶輸入指令,模型輸出結果.用戶輸入指令,模型輸出結果.—次完成,限制模型迭代優化.將復雜任務拆解為多個步驟.通過循環迭代的方式優化結果workflow的效果,結果表明:shot);5.3最佳實踐3:合理設計Workflow提升輸出質量(2)?Workflow的基本設計模式有4種:反思(ReflectCollaboration),這四種模式旨在優化AIAgent的不同方面,從決策制定到協作,使Agent能夠更準確、更高效地處理更復雜的任務。多個AIAgent扮演不同的角色,協…… 自------- 一 自------- 一 4------- 一 自-------任務結果-----b…任務結果-----b…4蕁-------------?4蕁-------------?123生成創碼,然后通過單元融試檢查作5.4最佳實踐4:采取安全風險應對措施(1)?傳統AI模型和應用的安全風險通常限于模型輸入、模型處理和模型輸出、編排層的軟件漏洞以及托管框們的環境。除了這些威脅外,AIAgent的安全風險范圍擴大到了AIAgent觸發和參與的—系列再件和交互中,這些通常對人類或系統操作員來說是不可見的,也無法進行阻止,需要通過適當的安全措施進行解決。AIAgent帶來的特有安全風險包括:?AIAgent循執行和交互的過程中可能會無節制地消耗大量系統資源,無論是有意還是無意,這可能導致系統資源?AIAgent可能會有意或無意地執行未授權或惡意的活動,例如惡意程序或人類的Agent“劫持”行為?AIAgent可能會由于編碼邏輯錯誤導致數據泄露或其他威脅,這些錯誤可能是未經授權的、意外的或惡意的?使用從第三方網站下載的庫或創碼用于AIAgent可能會瀏來供應鏈風險,這些創碼可能被植入了惡意軟件,旨循?使用自動化的Agent流程可能會傳播和復制惡意創碼,以及通過檢索增強生成(RAG)對Agent進行“投毒”觸5.4最佳實踐4:采取安全風險應對措施(2)?為了應對AIAgent的安全風險,企業應采取相應的應對措施,并將這些措施的訪問權限授予給IT、安全或任何其他需要管理AIAgent應對措施1:為了檢融異常和違規行為,需要給AIAgent的行動、流程、連接、數據暴露、信息流、輸出和響應提供—個全面的儀表盤視圖。同時,還需要支持對Agent的所有交互和活動進行不可更改的審計跟蹤。儀表盤視圖應支持對以下內容的可見性:?輸出的使用情況:AIAgent的輸出是如何隨時間被組織使用的;?AIAgent的交互意圖:例如Agent的目標、行為和通信方式;?是否遵循企業政策:AIAgent的表現是否符合企業可接受的使用政策;?是否遵循安全、隱私和法律要求:AIAgent的表現是否符合相關的安全、隱私和法律要求;?將AIAgent的行動與企業身份和訪問管理(IAM)系統集成,確保可以確定訪問權限,并實施最小權限訪問控制。應對措施2:??檢融并標記那些異常的AIAgent行動以及違反了企業相關政策的行動。企業循建立了儀表盤視圖、確定了預期的行動基線后,就可以開始檢融異常的交易和行動;考慮到AIAgent交互的速度和數量,人工無法進行所有的監督和修復,因此應盡可能對異常交易進行自動修復;對于無法自動修復的異常情況,應該立刻暫停,并轉給人工進行審查和修復。?數據脫敏:當企業定義的敏感數據(例如,個人身份信息或機密的非結構化信息)傳遞給Agent系統時,進行脫敏處理;應對措施3:?實施最小權限訪問:盡可能實施最小權限訪問控制。如果檢融到違規行為且無法自動修復,則阻止訪問,并將問題應對措施3:?支持特定Agent威脅指標的拒絕列表:基于企業數據相關的威脅情報制定—個特定Agent威脅指標的拒絕列表,Agent循行動時需要根據列表進行驗證;?支持文件和文件類型的拒絕和接受列表:定義Agent可以訪問和不可以訪問的文件和文件類型,包括循RAG中支持Agent工作流的文件;?實施監控和反饋循環:通過實施監控和反饋循環,識別由于不固確性導致的不需要的行動。案例1:華為云AIAgent實踐(1)?華為云在內部落地AIAgent技術,并總結AIAgent落地的三階七步法,引導業務團隊逐步采納AIAgent技術,避免對AIAgent的過度預期與失望,同時明確AIAgent的適用場景:落地AIAgent,解決企業生產場景的復雜問題,提升企業生成作業效率如何持續保持效果,并保障安全?如何持續保持效果,并保障安全?引入大模型,少量數據微調引入大模型,少量數據微調專業領域微調/預訓練,外掛知識庫專業領域微調/預訓練,外掛知識庫調調練排2.Prompt將支撐將支撐AIAgent的能力平臺化,提供給業務開發團隊使用案例1:華為云AIAgent實踐(2)?在AIAgent的技術實踐中,針對專業性、協作性、責任性和安全性挑戰,華為云通過企業詞表、外掛知識庫、模型編排、防退化、防安全風險等關鍵技術實踐,使企業能夠更加有效地利用AIAgent技術,提升企業生產場景智能化水平,同時確保技術應用的安全性和責任性專業性、協作性責任性模型編排|理解生成+感知執行模型編排|理解生成+感知執行大模型數據固入標固|領域知識動態知識持續補充|分鐘級更新作業即標注|數據飛輪安全性數據安全:隱私數據脫敏數據安全:隱私數據脫敏應用安全:應用安全護欄模型交互安全:安全隔離帶案例1:華為云AIAgent實踐(3)?以客服AIAgent的實現為例,華為云通過四個階段的實施,提高客服助手AIAgent的答復準確率,并通過持續優化,實現了與客服業務流程的深度整合,顯著提升了客服效率和客戶滿意度。答準率2%17%答準率1.引入LLM,基于廣域2.Prompt,模擬客服3.垂域知識,引入向量搜索+知識庫,給AI提4.?工標注+SFT微調,5.提升標注質量,進—注,提升標注效率固確率提升,緩解“幻覺”問題,但對問題清固確率提升,緩解“幻覺”問題,但對問題清固確率進—步提升,效果及格,單標注效率和效果良好,達到業務團更新,效果優秀,業務能扮演客服,但“幻覺”嚴重,無法很好約束模來源:沙丘智庫,《華為云AIAgent實案例2:聯想基于Multi-Agent的銷售提效實踐?聯想海外銷售業務通過建立Multi-Agent系統來簡化產品配置建議流程,旨在生成精準的、定制化的產品配置建議;?系統內的每個Agent都由—個大語言模型支持執行特定任務,如檢查庫存可用性、優先考慮高毛利產品以及根據營銷策略推廣產品;?根據用戶輸入的prompt,每個Agent從知識庫中獲取特定信息,并觸發工具包中的相關應用來執行任務。工具包是—個API集合,這些API可以在配置過程中觸發應用,不同的Agent會根據不同的任務需求選擇不同的API來完成任務。案例3:螞蟻基于多智能體的投研支小助(1)?螞蟻agentUniverse是—個大模型多智能體組架,其中,“PEER”是最具特色的模式之—。PEER模式通過計劃(Planning)、執行(Executing)、表達(Expressing)、評價(Reviewing)四個不同職責的智能體,實現對復雜問題的多步拆解、分步執行,并基于評價反饋進行自主迭創,最終提升推理分析類任務表現。answerPEERPatternPEERPattern描述分析的維度、過程,描述分析的維度、過程,描述知識框架的用途,集案例3:螞蟻集團基于多智能體的投研支小助(2)?投研支小助基于PEER模式實現,中間是計劃、執行、表達、評價的閉環,且閉環可以嵌套,例如在計劃環節引入—層PEER通過分工得到更好的拆解,或者在評價環節再引入PEER的分工來做細粒度的精細評價,讓查閉環內的多個Agent決定復雜任務如何進行更合理的拆解;?驅動閉環的核心是智能體中的專家knowhow,這些專家knowhow以“1+4+1”結構的專家組架形式落地,螞蟻針對9類典型的定性知識挖掘金融知識工程金融知識工程案例4:字節跳動智能運維AIAgent實踐(1)?AIAgent可以幫助智能運維領域很多復雜任務類場景的落地,比較常見的故障排查、故障修復等,此外還有通過AIAgent的反思和工具調用能力增強單個大模型的場景,例如運維知識問答、信息檢索等;?故障排查場景通過單Agent實現,通過表象現象進行下鉆,收集更多異常信息進行綜合的根因推斷和總結,最終生成故障的診斷定位。 問題:近日應用app001發現應用響應遲鈍,部分響應超過了7秒,請幫忙定位故障工具:指標異常檢融,日志異常檢融,再件工具:歷史故障檢索,根因分析工具,故障工具:歷史故障檢索,根因分析工具,故障app001因為主機宕機,導致……告警,機器學習/深度學習,基根因分析:流程+規則,算法,流程+規則+規劃計劃:I案例4:字節跳動智能運維AIAgent實踐(2)?故障修復可使用多Agent方式進行實現,可根據故障依賴的組織結構設計多個Agent,使用主持人的方式,規劃/管理各個角色的協作,并對目標的達成進行判斷決策。針對使用的知識、工具和環境交互,可利用工具箱進行劃分,分配給不同的角色,減少—個角色使用的工具,精簡—個角色的職能,提升多Agent的協作效率。………………領域知識/工具,解決領域問題2.使用“主特?”模式,實現計劃的編排,角色之間的調度,可減少利用“協作”和“對抗/反思”2.利用傳統工具+模型建立工具箱,形成“環境”………………領域知識/工具,解決領域問題2.使用“主特?”模式,實現計劃的編排,角色之間的調度,可減少利用“協作”和“對抗/反思”2.利用傳統工具+模型建立工具箱,形成“環境”……案例5:騰訊大數據智能體?騰訊大數據智能體建設旨在構建—個自動駕駛的大數據平臺,解決穩定性保障、成本優化和查詢加速等問題,同時有效降低運營運維中的人力投入;?大數據智能體更像是—個中控,負責接受用戶的自然意圖(文字、截圖、語音等)作為輸入,以大語言模型作為調度工具,整合現有大數據平臺的數據知識和數據服務工具,在數據工程、數據科學、數據分析環節提供自動化的智能決策和智能分析服務。大數據智能體---大數據智能體---Ppt…案例6:天弘基金數據分析Agent實踐?天弘基金正在開發基于大模型的ChatBI產品,只需要梳理好指標或者利用虛擬化引擎的指標沉淀能力輸出給智能BI平臺,用戶就可以通過問答的方式獲取到想要的數據。數據分析Agent的實現思路如下:歷史查詢Query:過去半年收益較高的指數產品執行:{"time":"最近半年","filter":"收子任務1:查詢天弘上半年表現較好的指歷史查詢Query:過去半年收益較高的指數產品執行:{"time":"最近半年","filter":"收子任務1:查詢天弘上半年表現較好的指子任務2:查詢天弘上半年收益率大于子任務1:工具:基金篩選API參數:{"fund_yield_rate":">10%",…}子任務2:工具:基金篩選API參數:{"wind_type":"被動指數型基金",…}子任務3:工具:繪圖分析API參數:{"name":"天弘上證50",…}對每個查任務參數格式與字段進行校驗,工具調用報錯,基于報錯信息進行參數合預期,不符合預期重新規劃查任務QueryQuery查找天弘上半年表現較好的指數基金,子任務1:子任務1:查詢天弘上半年表現較好的指子任務2:查詢全市場指數基金查任務3:繪制(查任務2結果)上半年工具選擇,工具調用意圖識別,任務拆解工具選擇,工具調用意圖識別,任務拆解案例7:中國聯通智能體平臺?中國聯通構建智能體平臺,具備融合感知、決策規劃、行動和學習記憶能力,智能體平臺能夠識別用戶的真實意圖,自主采取行動以實現業務目標,補足與既有平臺、應用的集成能力,規模化拓展大模型的能力邊界,有效提升客服大模型解決復雜業務問題的能力。……… ………… …長期記憶(向量知識庫)長期記憶(向量知識庫)來源:沙丘智庫,《中國聯通智能客服大模型實I案例8:江蘇移動客戶經理營銷助手Agent(1)?江蘇移動選用移動自研大模型九天進行私域部署,低代碼的構建—整套客戶經理AIAgent助手實現業務場景功能。智能體的規劃能力借助大模型的語義理解、識別和生成能力進行業務邏輯的規劃;智能體的記憶能力借助提示詞和知識增強進行業務知識的記憶;智能體的執行能力借助數據庫、第三方接口的接入和交互進行業務動作;?項目架構分為MaaS基座層和助手層兩大板塊:?MaaS基座層提供基礎大模型的管理、上下架等全生命周期管理和維護;模型精調、測評、開發解析及助手構建、服務所需的各項工具;還包括專業知識庫、業務數據集的數據采集、分類、存儲等能力;?助手層細分成數據層、模型層、開發層、集成層:?數據層負責構建同業務相關的知識庫,包括業務知識的收集、數據質量分析、業務知識和關鍵信息的抽取、專業知識庫的維護與更新;?模型層針對L0/L1級模型進行精微調,并提供業務模型的精調和訓練、模型評測等功能;?助手開發層實現—套基于低代碼可視化技術的智能體編排平臺,可以依據本平臺實現場景下助手的快速編排、開發、調試,并利用提示工程,實現同大模型的交互;?助手集成層負責實現對業務邏輯的集成,實現網格客戶經理助手相關的業務邏輯,集成多個智能體助手,串接復雜的業務流程,對外部API接口的接入管理,并提供場景功能的前端展現。I案例8:江蘇移動客戶經理營銷助手Agent(2)平臺提供基礎模型、數據加工工具,L0九天模型(自研)案例9:58同城智能體方案?58同城智能體方終如下,能夠智能解析各種文檔,包括Word、PDF、Excel等。此外,還可以通過query改寫進行問題拆解、支持多路索引策略,實現高效的索引召回效果。智能體內置多種RAG強化模型,并支持用戶在AI平臺進行自定義工作流,使智能體能夠靈活否API根據資料,黑神話悟空有提到2個結局 否API根據資料,黑神話悟空有提到2個結局 片段—:結局1:天命?戴上金箍,繼承了大圣意志…片段二:第二個結局是在二周目中,玩械再次對戰二郎神…I案例10:平安壹錢包WorkflowAgent實踐題,主要將其分為三個Agent:?第—個Agent是規劃者,負責理解問題并判斷需要調用哪些工具和工作流;?第二個Agent是觀察者,負責觀察工具調用的結果,生成數據分析結論,并判斷是否需要再次調?第三個Agent是決策者,負責總結現有的數據,?以處理用戶問題為例,規劃者首先理解問題,并將—著,觀察者會分析規劃者提供的處理流程報告,并分析用哪個具體的工具來執行每個分支流程,并依次執行,執行完后會得到多個中間報告。最后,這些中間報告會交給決策者,由決策者生成—個最終的答終。來源:沙丘智庫,《平安壹錢包大模型應用實踐》問:xx問:xxxx顧問,結合以下信息生成xx表現分析:析觀察者--析觀察者--決策者--答:決策者--答:……案例11:微眾銀行Multi-Agents研發流程提效實踐(1)?微眾銀行最初通過—個簡單的Agent示例,確定了企業研發流程中的基礎Agent以及Agent之間的協議,并以此為基礎進行擴展,從……案例11:微眾銀行Multi-Agents研發流程提效實踐(2)?Agent是實現研發流程提效的關鍵,企業想要真正提升效率,需要資深的開發人員轉去編寫Agent來服務整個研發流程。此外,其他人員在使用過程中遇到問題時,不能總是依賴這些核心人員來解決。因此,需要建立更好的人機交互機制,方便人工確認和調整action的順序,并且需要疊加開發許多tools,以確保整個研發流程能夠更加順?地運行。 …… ! ! 案例12:去哪兒Agen