Ejen AI dengan LangChain dan Aliran Kerja Autonomi · Pelajaran

Seni Bina Kognitif untuk Ejen

Teliti seni bina kognitif yang mantap, seperti SOAR dan ACT-R, yang memodelkan proses penaakulan dan pembelajaran seperti manusia dalam ejen kecerdasan buatan.

Pelajaran 4 daripada 612 langkah

Seni Bina Kognitif untuk Ejen ialah pelajaran Ejen AI dengan LangChain dan Aliran Kerja Autonomi percuma di CoddyKit. Ini ialah pelajaran 4 daripada 6. Anda boleh membaca keseluruhan pelajaran di bawah secara percuma — kemudian berlatih secara praktikal dalam pelayar menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Ejen AI dengan LangChain dan Aliran Kerja Autonomi, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Ejen AI dengan LangChain dan Aliran Kerja Autonomi merangkumi sejumlah 6 pelajaran.

Pengenalan kepada Ejen Kognitif

Selamat datang! Hari ini, kita akan meneroka seni bina kognitif. Ini bukan sekadar atur cara ringkas; sebaliknya, ia ialah rangka kerja yang direka untuk meniru penaakulan, pembelajaran dan pembuatan keputusan seperti manusia dalam ejen AI.

Seni bina ini merapatkan jurang antara ejen reaktif dengan sistem benar-benar pintar yang mampu menyelesaikan masalah kompleks.

Mengapa Seni Bina Kognitif?

Ejen ringkas bertindak balas terhadap persepsi segera. Namun, bagaimana jika ejen perlu merancang, belajar daripada kesilapan atau memahami situasi kompleks?

Kecerdasan Seperti Manusia: Memodelkan cara manusia berfikir.
Penyelesaian Masalah Umum: Menangani pelbagai tugas, bukan satu tugas sahaja.
Pembelajaran dan Penyesuaian: Meningkatkan prestasi dari semasa ke semasa.
Keteguhan: Mengendalikan situasi yang tidak dijangka.

Komponen Teras Kognisi

Kebanyakan seni bina kognitif berkongsi blok binaan yang sama, yang diinspirasikan oleh psikologi manusia:

Sistem Persepsi: Cara ejen "melihat" dunia.
Sistem Ingatan: Pengetahuan jangka pendek (kerja) dan jangka panjang.
Pembuatan Keputusan: Cara ejen memilih tindakan seterusnya.
Sistem Motor: Cara ejen bertindak terhadap dunia.

SOAR: Keadaan, Operator, Hasil

SOAR (Keadaan, Operator dan Hasil) ialah seni bina kognitif klasik. Ia melihat semua kecerdasan sebagai proses penyelesaian masalah yang berterusan, yang diwakili sebagai pencarian melalui ruang keadaan.

SOAR beroperasi dalam kitaran keputusan, sentiasa memilih operator untuk digunakan pada keadaan semasa bagi mencapai hasil yang dikehendaki.

Ingatan Kerja SOAR

Ingatan kerja SOAR menyimpan pemahaman semasa ejen tentang dunia, matlamatnya dan keadaan masalah semasa. Ingatan ini bersifat sementara dan sentiasa dikemas kini.

Anggaplah ia sebagai "kesedaran" ejen pada bila-bila masa. Berikut ialah gambaran ringkas:

public class SoarWorkingMemory {
  String goal;
  String currentState;
  boolean obstacleDetected;

  public SoarWorkingMemory(String goal, String state) {
    this.goal = goal;
    this.currentState = state;
    this.obstacleDetected = false;
  }

  public void updateState(String newState) {
    this.currentState = newState;
  }

  public String toString() {
    return "Goal: " + goal + ", State: " + currentState +
           ", Obstacle: " + obstacleDetected;
  }

  public static void main(String[] args) {
    SoarWorkingMemory wm = new SoarWorkingMemory("ReachExit", "StartRoom");
    System.out.println(wm);
    wm.updateState("Corridor");
    System.out.println(wm);
  }
}

Peraturan Pengeluaran SOAR

SOAR menggunakan peraturan pengeluaran (peraturan jika-maka) dalam ingatan jangka panjangnya untuk mencadangkan dan memilih operator. Apabila syarat if sesuatu peraturan sepadan dengan ingatan kerja, bahagian then mencadangkan tindakan atau mengubah keadaan.

Contoh ini menunjukkan peraturan ringkas untuk menggerakkan ejen:

public class SoarProductionRule {
  public static void main(String[] args) {
    String currentState = "near_door";
    String goal = "exit_room";

    System.out.println("Current State: " + currentState);
    System.out.println("Goal: " + goal);

    // A simple SOAR-like production rule
    if (currentState.equals("near_door") && goal.equals("exit_room")) {
      System.out.println("Rule Fired: Propose 'open_door_operator'");
      System.out.println("Action: Agent opens the door.");
      currentState = "door_open"; // State update
    } else {
      System.out.println("No matching rule fired.");
    }
    System.out.println("New State: " + currentState);
  }
}

Pembelajaran SOAR: Pengelompokan

Ciri unik SOAR ialah pengelompokan. Apabila ejen menghadapi kebuntuan (situasi apabila ejen tidak dapat memutuskan perkara yang perlu dilakukan), ejen memasuki subkeadaan untuk menyelesaikannya.

Setelah kebuntuan diselesaikan, SOAR "mengelompokkan" pengalaman tersebut dan mencipta peraturan pengeluaran baharu yang menyelesaikan jenis kebuntuan itu secara langsung pada masa hadapan. Begitulah cara SOAR belajar!

ACT-R: Kawalan Pemikiran Adaptif

ACT-R (Kawalan Pemikiran Adaptif—Rasional) ialah satu lagi seni bina kognitif yang terkenal. Seni bina ini direka untuk memodelkan kognisi manusia dengan lebih terperinci, dengan memberi tumpuan kepada data psikologi dan meramalkan tingkah laku manusia.

ACT-R menekankan struktur modular, dengan sistem ingatan dan proses berbeza yang bekerjasama.

Modul Ingatan ACT-R

ACT-R mempunyai beberapa modul utama, termasuk:

Ingatan Deklaratif: Menyimpan pengetahuan fakta (contohnya, "Paris ialah ibu negara Perancis") sebagai unit berasingan yang dipanggil kelompok.
Ingatan Prosedural: Menyimpan pengetahuan "cara melakukan sesuatu" (contohnya, "cara mengikat kasut") sebagai peraturan pengeluaran.
Modul Matlamat: Mengurus matlamat semasa ejen.
Modul Imaginasi: Menyimpan perwakilan masalah sementara.

Pengaktifan dan Utiliti dalam ACT-R

Tidak seperti pemadanan peraturan tulen SOAR, modul ACT-R berinteraksi berdasarkan pengaktifan dan utiliti:

Pengaktifan: Kelompok dalam ingatan deklaratif mempunyai tahap pengaktifan yang mempengaruhi kelajuan kelompok itu dicapai semula. Kelompok yang lebih berkaitan atau lebih terkini mempunyai pengaktifan yang lebih tinggi.
Utiliti: Peraturan pengeluaran dalam ingatan prosedural mempunyai nilai utiliti yang mencerminkan kejayaan lalu. Peraturan dengan utiliti lebih tinggi lebih berkemungkinan dipilih.

Semakan Seni Bina Kognitif

Mari kita semak pemahaman anda tentang seni bina kognitif ini.

Jawab dalam pelajaran interaktif

Imbas Kembali: Ejen Kognitif

Kita telah meneroka seni bina kognitif, iaitu rangka kerja yang menyasarkan kecerdasan seperti manusia. Kita telah melihat:

SOAR: Penyelesaian masalah sebagai pencarian, menggunakan peraturan pengeluaran dan pembelajaran melalui pengelompokan.
ACT-R: Sistem modular dengan ingatan deklaratif dan prosedural yang dipandu oleh pengaktifan dan utiliti.

Seni bina ini menyediakan model yang berkuasa untuk membina ejen yang boleh menaakul, belajar dan menyesuaikan diri dengan cara yang kompleks.

Percuma untuk bermula

Pelajari Ejen AI dengan LangChain dan Aliran Kerja Autonomi dengan tutor kecerdasan buatan — percuma

Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.

Kursus: 12
Pelajaran: 50

Mula belajar secara percuma Lihat kursus penuh

Soalan Lazim

Adakah pelajaran “Seni Bina Kognitif untuk Ejen” percuma?

Ya — teks penuh “Seni Bina Kognitif untuk Ejen” boleh dibaca secara percuma di web ini. Untuk berlatih secara interaktif menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7, serta membuka kunci baki kursus Ejen AI dengan LangChain dan Aliran Kerja Autonomi, tingkat taraf kepada CoddyKit PRO. Kursus Ejen AI dengan LangChain dan Aliran Kerja Autonomi merangkumi sejumlah 6 pelajaran.

Apakah yang akan saya pelajari dalam “Seni Bina Kognitif untuk Ejen”?

Teliti seni bina kognitif yang mantap, seperti SOAR dan ACT-R, yang memodelkan proses penaakulan dan pembelajaran seperti manusia dalam ejen kecerdasan buatan. Anda berlatih Ejen AI dengan LangChain dan Aliran Kerja Autonomi menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.

Adakah saya memerlukan pengalaman untuk memulakan Ejen AI dengan LangChain dan Aliran Kerja Autonomi?

Tiada pengalaman terdahulu diperlukan. Pembelajaran Ejen AI dengan LangChain dan Aliran Kerja Autonomi di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 4 daripada 6.

Berapa lamakah pelajaran “Seni Bina Kognitif untuk Ejen” diambil?

Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.

Bolehkah saya menulis dan menjalankan kod dalam pelajaran Ejen AI dengan LangChain dan Aliran Kerja Autonomi ini?

Ya. Setiap pelajaran Ejen AI dengan LangChain dan Aliran Kerja Autonomi menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.

Semua pelajaran dalam kursus ini

← Kembali ke Ejen AI dengan LangChain dan Aliran Kerja Autonomi