人工智能基础概念

1 AI 智能体

AI 智能体是一个自主实体，它通过传感器感知其环境，并通过执行器对环境做出反应，以实现特定目标。在大型语言模型（LLM）的背景下，智能体可以被设计为执行任务、做出决策，并以目标导向的方式与用户或其他系统进行交互。

AI 智能体的关键特征包括：

  • 自主性： 能够在无需人类干预的情况下运行。
  • 反应性： 能够感知并响应环境中的变化。
  • 主动性： 能主动采取行动以实现目标。
  • 目标导向性： 能够为达成特定目标采取行动。

2 模型-控制器-解析器（MCP）

模型-控制器-解析器（Model-Controller-Parser，简称 MCP）是一种用于构建与大型语言模型交互的应用程序的软件设计模式。它将应用程序的逻辑分为三个相互连接的组件：

  • 模型（Model）： 即 LLM 本身，负责生成文本、回答问题或执行其他语言相关的任务。
  • 控制器（Controller）： 管理用户与模型之间交互的组件。它接收用户输入，将其发送给模型，并处理模型的输出。
  • 解析器（Parser）： 负责解释模型输出并从中提取结构化信息的组件。当模型被要求生成特定格式（如 JSON 或 XML）的输出时，这一组件尤其重要。

这种关注点的分离使得应用程序更加模块化、易于维护并具有更强的鲁棒性。

3 检索增强生成（RAG）

RAG 是一种先进的 AI 框架，通过将大型语言模型与外部知识源相结合，增强其能力。它将 LLM 的生成能力与信息检索系统的精确性相结合。

3.1 RAG 的工作原理

RAG 的处理过程通常包含两个主要步骤：

  1. 检索： 当用户提供提示词时，系统首先从知识库（如文档集合或数据库）中检索相关信息。这通常使用基于向量搜索的检索模型完成。
  2. 生成： 检索到的信息会与原始提示词结合，并一同输入到 LLM 中。模型使用增强后的上下文生成更准确、最新且更符合语境的响应。

通过将 LLM 的回答建立在可验证的信息基础上，RAG 有助于减少幻觉，提高生成内容的整体质量与可靠性。

3.2 RAG 的优势

  • 提高准确性： 响应基于可信知识源中的事实信息。
  • 增强相关性： 生成的内容更具体，也更符合用户问题的上下文。
  • 减少幻觉： 模型更少生成虚假或误导性的信息。
  • 提升透明度： 通常可以追溯生成内容的来源文档，从而提供一定程度的可解释性。

3.3 参考资料