Ejen Pembetulan Kendiri dan Refleksi
Pelajari cara membina ejen yang boleh menilai keluaran sendiri secara kritis serta memperhalus respons atau tindakan secara berulang.
Ejen Pembetulan Kendiri dan Refleksi ialah pelajaran Ejen AI dengan LangChain dan Aliran Kerja Autonomi percuma di CoddyKit. Ini ialah pelajaran 3 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.
Ejen yang Berfikir Dua Kali
Pernahkah anda berharap ejen AI anda boleh menyemak kerjanya sendiri? Itulah yang dilakukan oleh pembetulan kendiri dan ejen refleksi!
Ejen ini direka bentuk bukan sahaja untuk menjana output, tetapi juga untuk menilainya secara kritis dan membuat penambahbaikan. Anggaplah ejen itu mempunyai "penyunting" atau "pengkritik" dalaman.
Kitaran Refleksi
Idea teras refleksi ialah proses berulang:
- Jana: Ejen menghasilkan respons atau tindakan awal.
- Refleksi: Ejen kemudiannya menggunakan prompt lain (atau LLM yang berbeza) untuk menganalisis outputnya sendiri berdasarkan kriteria tertentu.
- Perhalus: Berdasarkan refleksi tersebut, ejen melaraskan output asalnya untuk mencapai kualiti atau ketepatan yang lebih baik.
Kitaran ini boleh diulang beberapa kali sehingga hasil yang memuaskan dicapai.
Dalam Ejen Refleksi
Ejen yang membetulkan diri sendiri biasanya melibatkan beberapa bahagian utama:
- LLM Penjana: Model Bahasa Besar utama yang menghasilkan output awal.
- LLM Pengkritik/Reflektor: Selalunya LLM yang sama, tetapi diberi prompt untuk bertindak sebagai pengkritik yang menilai output penjana.
- Prompt Refleksi: Prompt yang direka dengan teliti untuk membimbing LLM pengkritik tentang perkara yang perlu dinilai dan caranya.
- Mekanisme Perhalusan: Logik yang mengambil maklum balas pengkritik dan menggunakannya untuk menambah baik penjanaan seterusnya.
Prompt Penjana
Sama seperti mana-mana interaksi LLM, prompt awal yang jelas untuk "penjana" amat penting. Prompt ini memberitahu ejen tugasan yang perlu dilakukan.
Contohnya, jika kita mahu ejen menulis cerita pendek, prompt penjana akan mentakrifkan tema, watak dan panjang cerita. Matlamatnya ialah draf pertama yang kukuh.
prompt_template = "Write a 3-sentence story about a brave knight and a dragon."Menghasilkan Prompt Refleksi
Prompt refleksi ialah tempat perkara penting berlaku. Prompt ini mengarahkan LLM menyemak output sebelumnya dan mengenal pasti ruang untuk penambahbaikan.
Prompt ini hendaklah merangkumi kriteria khusus. Untuk contoh cerita kita, prompt itu mungkin bertanya: "Adakah cerita ini menarik? Adakah cerita ini menyebut kesatria dan naga dengan jelas? Adakah cerita ini tepat 3 ayat?"
reflection_prompt = "Critique the following story: '{story}'. Does it meet these criteria: 1. Engaging? 2. Knight and Dragon present? 3. Exactly 3 sentences? Provide specific feedback for improvement."Contoh Refleksi Ringkas
Mari kita telusuri konsep contoh cerita kita:
- Jana: LLM menulis draf cerita awal.
- Refleksi: LLM membaca cerita dan prompt refleksi, kemudian memberikan maklum balas (contohnya, "Cerita ini mempunyai 4 ayat, bukan 3.").
- Perhalus: Ejen menerima maklum balas tersebut. Ejen kemudiannya cuba menulis semula cerita dengan mengambil kira maklum balas itu (contohnya, memendekkannya kepada 3 ayat).
Gelung ini berterusan sehingga cerita memenuhi semua kriteria atau had dicapai.
Membina Gelung Perhalusan
Dalam amalan, proses perhalusan selalunya melibatkan gelung. Ejen terus menjana dan melakukan refleksi sehingga syarat tertentu dipenuhi. Syarat ini boleh berupa:
- Bilangan lelaran maksimum.
- Maklum balas refleksi menunjukkan bahawa tiada penambahbaikan lanjut diperlukan.
- Metrik kualiti tertentu dicapai.
Proses berulang ini membolehkan penambahbaikan kendiri yang berterusan, lalu menjadikan ejen lebih kukuh.
Kod: Gelung Refleksi Ringkas
Berikut ialah contoh Python ringkas yang menunjukkan gelung pembetulan kendiri asas. Kita akan menggunakan LLM ruang letak untuk memudahkan pemahaman, dengan fokus pada logik menjana, melakukan refleksi dan memperhalus.
class MockLLM:
def __init__(self):
pass
def generate_initial_output(self, task_prompt):
# Simulate a generator LLM that sometimes gets it wrong
if "start with 'Hello'" in task_prompt:
return "Greetings! How are you?" # Incorrect initial attempt
return "Hello World!" # Correct initial attempt based on prompt
def reflect_and_suggest(self, original_task, generated_output):
# Simulate a critic LLM
reflection_prompt = (
f"Given the task: '{original_task}'. "
f"The generated output was: '{generated_output}'. "
"Critique this output: Does it start with 'Hello'? "
"If not, suggest a correction. Be concise."
)
# Simplified reflection logic for the mock LLM
if not generated_output.strip().startswith("Hello"):
return "Doesn't start with 'Hello'. Suggestion: Start with 'Hello'."
return "Output meets criteria."
# --- Main Logic ---
llm = MockLLM()
task = "Create a greeting sentence that starts with 'Hello'."
current_output = llm.generate_initial_output(task)
print(f"Initial Output: {current_output}")
for i in range(3): # Max 3 attempts (initial + 2 refinements)
reflection = llm.reflect_and_suggest(task, current_output)
print(f"Reflection {i+1}: {reflection}")
if "Output meets criteria" in reflection:
print("Agent self-corrected successfully!")
break
else:
# Simulate applying the suggestion
if "Start with 'Hello'" in reflection and not current_output.startswith("Hello"):
current_output = "Hello" + current_output[current_output.find(' '):] # Simple fix
print(f"Refined Output: {current_output}")
else:
print("No specific refinement strategy for this feedback. Stopping.")
break
print("\nFinal Output:", current_output)Manfaat dan Pertukaran
Ejen refleksi berkuasa untuk tugasan yang memerlukan ketepatan tinggi atau penaakulan kompleks, terutamanya apabila satu laluan sahaja mungkin terlepas nuansa tertentu.
- Ketepatan Lebih Baik: Mengurangkan ralat dan halusinasi.
- Keteguhan: Mengendalikan prompt kompleks dengan lebih baik.
- Kualiti: Menghasilkan output yang lebih berkualiti.
Walau bagaimanapun, ejen ini meningkatkan kos pengiraan dan kependaman kerana melibatkan berbilang panggilan LLM. Gunakannya apabila kualiti yang diperoleh berbaloi dengan kos tambahan tersebut.
Uji Pengetahuan Anda
Pertimbangkan ejen yang direka bentuk untuk meringkaskan dokumen dan kemudian membetulkan dirinya sendiri. Apakah tujuan utama "prompt refleksi" dalam senario ini?
Imbas Kembali: Pembetulan Kendiri
Kita telah meneroka cara pembetulan kendiri dan ejen refleksi berfungsi. Ejen ini meningkatkan keupayaan AI dengan membolehkan ejen menilai dan memperhalus output sendiri secara kritis.
- Ejen ini mengikut kitaran jana, refleksi, perhalus.
- Komponen utama termasuk penjana, pengkritik dan prompt refleksi khusus.
- Walaupun kos dan kependaman meningkat, ejen ini meningkatkan kualiti serta ketepatan output dengan ketara untuk tugasan kompleks.
Keupayaan untuk "berfikir dua kali" ini ialah langkah penting ke arah sistem AI yang lebih kukuh dan pintar!
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
Soalan Lazim
Adakah pelajaran “Ejen Pembetulan Kendiri dan Refleksi” percuma?
Ya — teks penuh “Ejen Pembetulan Kendiri dan Refleksi” 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 “Ejen Pembetulan Kendiri dan Refleksi”?
Pelajari cara membina ejen yang boleh menilai keluaran sendiri secara kritis serta memperhalus respons atau tindakan secara berulang. 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 3 daripada 6.
Berapa lamakah pelajaran “Ejen Pembetulan Kendiri dan Refleksi” 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
- Ejen ReAct dan Rancang-dan-Laksana
- Reka Bentuk Ejen Hierarki
- Ejen Pembetulan Kendiri dan Refleksi
- Seni Bina Kognitif untuk Ejen
- Corak Kerjasama Berbilang Ejen
- Sistem Ejen Hibrid