当前位置：首页 > news >正文

crew AI笔记[1] - 简介

news 2025/8/8 5:33:46

参考官方文档

1、AI技术概览

1.1Chat 模式：一对一的大模型对话

核心理念： Chat 模式是最直接、最常见的 AI 应用形式，它模拟了人类与另一个智能体之间的一对一、一问一答式对话。在这种模式下，用户向大语言模型（LLM）提出问题或指令，LLM 根据其内部训练数据和上下文理解，生成并返回一个连贯且相关的回复。

技术特点：

即时交互：模型能够快速响应用户的输入，提供即时的信息和建议。
上下文理解：在单次对话中，模型会记住之前的交流内容，确保后续回答的连贯性。
通用性：Chat 模式的大模型通常在海量通用数据上训练，使其能回答从科学、历史到日常琐事等各类问题。
局限性：由于模型的知识仅限于其训练数据，它无法访问最新的实时信息或企业内部的专有知识。同时，在处理需要多步骤推理或外部数据源的任务时，其能力有限。

应用场景：

智能客服：回答客户的常见问题。
虚拟助手：如 ChatGPT、文心一言等，用于日常问答、内容创作、代码生成等。
教育辅助：为学生提供答疑解惑、辅导学习。

1.2. Copilot 模式：以 RAG 为中心的知识库建设

核心理念： Copilot 模式（副驾驶模式）旨在解决 Chat 模式的知识局限性问题。它通过引入 检索增强生成（Retrieval-Augmented Generation, RAG） 技术，让大模型不仅能依赖自身知识，还能实时地从外部、专有的知识库中检索信息，然后基于这些信息生成答案。

工作流程：

用户提问：用户向 Copilot 提出一个关于特定领域的问题。
检索：系统将用户问题转化为搜索查询，在预先建立好的向量数据库或知识库中检索相关的文档、文章或数据片段。
增强：检索到的相关信息被作为上下文，与用户原始问题一起被提供给大语言模型。
生成：LLM 基于这个“增强”后的提示，生成一个准确、有据可查的回复。

技术特点：

知识可控与更新：企业可以控制知识库中的内容，并随时更新，确保模型的回答始终基于最新、最权威的内部资料。
减少幻觉：RAG 模式通过提供事实依据，显著降低了模型“胡编乱造”（即幻觉）的风险。
领域专精：通过构建特定领域的知识库，大模型能够成为该领域的专家，而不是一个通才。

应用场景：

企业内部知识库：为员工提供公司政策、项目文档、技术手册等查询服务。
法律/医疗咨询：基于专业法规、临床指南等文档提供咨询意见。
产品开发：为开发者提供代码库、API 文档的实时辅助。

1.3. Agent 模式：多任务自主执行流

核心理念： Agent 模式是 AI 应用的更高阶形态，它将大模型从一个被动的“对话者”提升为主动的“任务执行者”。在这种模式下，AI 不仅能回答问题，还能自主规划、分解任务、使用工具，并采取行动来达成一个复杂的目标。一个智能体可以被看作是一个具有“大脑”（LLM）、“感官”（工具）和“行动”（执行）的实体。

工作流程：

用户指令：用户给智能体下达一个高阶、模糊的任务指令，例如“帮我研究一下最新的电动车市场趋势，并生成一份报告”。
任务规划：智能体的大脑（LLM）会自主将这个复杂任务分解为一系列更小的、可执行的子任务，例如：
- 搜索最新的电动车市场报告。
- 分析竞争对手的销售数据。
- 提取核心趋势和消费者偏好。
- 撰写报告。
工具调用：在每个子任务中，智能体都会调用相应的外部工具来获取信息或执行操作，例如：
- 使用网络搜索工具。
- 调用数据分析工具。
- 访问文件读写工具。
自主执行：智能体根据执行结果，不断调整下一步的行动，直到最终完成整个任务，生成最终的报告。