企业官网建设流程全解析

搭建外文网站,wordpress 邮件函数,成都住建局官网商品住房登记系统,seo怎么做网站优秀案例文章介绍了一种基于大模型的React框架实现方案#xff0c;用于提升研发生产力。团队经历了从提示词工程到RAG再到流程编排的演进#xff0c;采用elemMcpClient多平台LLM调用客户端#xff0c;设计了包含startNode、processNode等五个Node的核心流程#xff0c;实现单智能体…文章介绍了一种基于大模型的React框架实现方案用于提升研发生产力。团队经历了从提示词工程到RAG再到流程编排的演进采用elemMcpClient多平台LLM调用客户端设计了包含startNode、processNode等五个Node的核心流程实现单智能体对工具调用的反思规划。文章探讨了多智能体协作的层级指挥模式和自由协作模式指出上下文管理是未来迭代重点。该方案比传统流程编排更灵活能自主规划工具调用摆脱传统prompt工程的参数解析过程。背景基于大模型的领域场景开发说到底无非是借助基座模型对语义的理解推理能力将通用AI变为专有AI工具的过程。但仅仅只做模型调用来实现复杂类需求对生产力的提升并没有太大帮助。因此在围绕提升研发生产力的过程从大模型问世到现在卷出了各种大模型工程规范。从最早的提示词工程到RAG再到流程编排模式每个阶段无疑都是对研发生产力的不断提升。当然我们团队也经历了这些阶段我们最先基于饿了么钉钉文档开发了一套完备的RAG角色扮演平台此后又并行推出了拥有三十多项大模型指令的饿了么一键办事机器人——小e和集成流程编排到平台能力中为适配多端透出和支持丰富渲染开发了问答助手分身及问答卡片搭建功能。感兴趣可以在文章最后介绍中体验。至此也基本能满足大多数AI需求场景的低代码搭建。但随着多智能体架构对复杂场景的支持越来越灵活近期我们也在设计架构升级。参考了一些主流平台中工具与agent间的分发及调用针对我们平台当前的用户体量及后续支撑的一些场景分析层级指挥和自由协作两种模式的利弊选用层级指挥模式作为React框架。初步实现了单智能体对工具调用的反思规划后边迭代利用此框架再将智能体抽象为工具调用实现多智能体间的相互协作。先上结果1.对用户提问自主规划比流程编排模式更加灵活。2.单智能体更丰富的工具体系自主选择工具调用摆脱传统prompt工程参数解析、意图识别等coding或节点配置过程。ToolCallsMCP实现React模式什么是React对于React大家都有自己的理解。本文主要介绍我们是如何实现React框架关于智能体React模式简单仅做个人简单的一些理解。1.首先LLM需要不断和环境作出反馈和判断制定下一步的执行策略。这里的环境即工具列表、对话上下文、一些系统变量。2.上图可以看出核心还是接收反馈后采用什么方式决策以及和环境之间通信的上下文如何管理。因此关于决策方式和上下文管理大家都卷出了各种玩法决策方式1.类manuas方式使用PlanningAgent负责规划Controller Agent负责监督Planning执行情况StepAgent负责打标。2.OpenAI提出的显式引导3.Planning As Tool——将思考规划作为一个单独的工具告诉大模型有这样一种工具且入参定义为思考、行动、规划借助工具入参来引导大模型思考规划。上下文管理这个可能又涉及到一些比较复杂的上下文通信和动态压缩等本文也不做介绍后续也是我们重点升级的方向好的上下文通信带来的核心收益有两方面每个agent拥有更丰富的背景内容产出质量更高 极大节省token用tooCalls的方式很烧tokenPlanning As Tool 方案推演1.调用大模型时注入系统提示词用户提问工具列表包含思考规划工具。2.得到大模型回答出需要的工具是什么以及入参是什么3.第一步回答出需要调用的工具是思考工具借助思考工具定义的入参让大模型给到思考内容、规划内容实际该方法只是一个空壳然后拼接大模型的回答和工具调用的结果思考规划工具的调用结果手动mock为success。4.得到回答需要调用天气查询工具入参也给出来了5.重复2-4的过程直至大模型返回的tool_calls为空content不为空时结束最终结果如下实现架构技术选型技术选型上我最终使用的是elemMcpClient多平台LLM调用客户端。那为什么这样选择不直接使用springAI已经封装好的工具调用或者使用原生McpSdk还要自己手撸呢1.springAI本身集成了上下文管理、工具调用等能力理论上直接用来做模型调用是很方便但是a.中间过程交互不够友好对于个人开发者来说springAI确实比较方便绑定一堆工具、配置好模型地址和ak输入一个提问直接能返回意图分类后工具的执行结果但是我们是平台开发者我们需要将中间过程做封装交互展示。b.springAI虽然可以设置中断只返回该调用哪个工具把工具的执行交给开发者但这里也有点坑有些情况不能返回选择了哪个工具而且那这样的话springAi的价值也大打折扣仅被当成一个LLM调用的客户端…c.很多国内模型其实springAI的openAiApi支持的不够灵活可能是我自己原因没有找到springAi里面qwen3的enableThinkingfalse在哪配置。d.springAI集成的原生McpSdk本身也有坑比如集团内发布的很多TppMcp或者AoneMcp都调不通原因在下面分析。2.原生MCPSdk作为工具调用时不支持后缀带很多参数的MCP服务如Aone开放平台发布的MCP为了鉴权带有鉴权参数。基于上述背景和试错过程最终选择了ElemeMcpSdk 包含WhaleSdk在内的主流平台LLM客户端。系统架构设计规划类agent调度框架如下图所示1.agent分类方面此前我们已经有了流程编排类型、其他平台api接入类型、RAG角色扮演类型。此次扩展出一种规划类型agent。2.在环境方面我们针对长期记忆和短期记忆分别进行持久化。a.长期记忆主要指多轮对话补充一次会话过程中的背景信息b.短期记忆是每个智能体或工具给出的回答用于1.后续实现单agent间的通信 2. 记录思考次数以便做异常中断c.agent绑定的工具列表持久化其中有一个作用是gpt4做toolCalls时仅支持方面名是英文的方法因此还要利用这块的存储做中文-英文的缓存3.规划过程a.领域抽象时设计了五个Node来完成核心流程b.startNode用于组装系统提示词、RAG检索到的片段、用户提示词、历史对话、用户提问、工具列表c.startNode节点中调用LLM收到反馈d.ProcessNode节点负责循环过程的执行需要获取LLM返回的参数去拼接LLM的message内容、以及循环中发起对工具列表的调用e.ToolManagerNode 负责接收需要调用的方法名及入参根据方法名在cache中查找对应的MCP的sseUrl利用mcp客户端调用工具获取结果添加到LLM的message中f.StepNode负责对每一步结果进行打标并存储到短期记忆中g.SendNode 负责接收来自processNode的数据并进行封装如背景中的各个步骤执行效果需要用和前端约定好的标签封装过程数据。然后对封装好的数据利用Ssemitter进行发送4.LLM客户端封装a.针对LLM调用主要是根据不同平台对模型的支持程度封装了三个LLM-ToolCalls的客户端b.whaleSdk、Idealab-http调用、springAI框架调用c.根据用户配置的模型id来适配找出一种客户端做模型调用整个实现流程图如下与上述描述基本一致核心代码这部分主要对实现的相关代码进行介绍。核心类及属性流转对象startNode发起调用流程规划运行节点工具节点获取工具列表只在startNode中调用。工具节点执行工具LLM客户端whale为例利用工厂模式还扩展了springAI、Idealab类型客户端。核心类基本如上图所述还有其他关于前后端约定的展示样式封装的工具类不做展开介绍。多智能体升级方案单智能体本身就是为了解决足够复杂的任务为什么还需要多智能体这里给一些个人的看法1.烧token每次中心agent对模型的请求完全是无脑拼接如果拆分成多智能体中心agent对模型的发起只用某个agent返回的结果即可。2.单智能体职责不够清晰产出的交付物不如 多智能体的“专业的事交给专业的人”上述方案我们已经实现了单智能体对工具的React框架但是多智能体的协同还未做升级参考了一些资料多智能体框架实现基本分为两类。一种是类似React的层级调度模式由中心agent负责调度需要执行的智能体我们实现也比较简单只需要在现有实现框架基础上将agent抽象为工具即可。工具执行时根据工具类型再实现调用方法。另一种是自由协作模式针对一个问题每个agent分别去处理这个问题然后执行结果发送给下一个agent继续判断它能否解决这个问题以及解决了哪些部分一轮结束后由中心agent去分发任务开始执行下一轮这时候每个agent由了上一轮的上下文产出效果更聚焦于各自职责。直到中心agent判断可以产出时进行汇总。两种方案如下图所示考虑后续我们承接的业务场景暂时不需要很发散的需求采用层级指挥模式进行多智能体协作设计。未来迭代重点通过手撸React框架以及对多智能体协作的调研发现了一些问题其实本文上述中在每个章节都有提到上下文管理。如果无脑做ToolCalls调用带来的问题有1.烧token2.无关信息可能会导致每个agent调用时产生幻觉如果agent获取到的上下文不够或者确实带来的问题有1.产出质量较低导致指挥者可能发生多次无用的调用指挥2.agent并行执行时agent之间的上下文通信能力不足类似于神经网络中陷入局部最优解因此在多智能体升级完以后我们也会考虑设计上下文动态压缩、合理使用文件系统等工作。查询了一些资料发现有些资料中的观点与我提到的基本类似可以参阅总结本文主要对多平台LLM客户端MCP 实现智能体React框架的方案进行了详细阐述对核心代码进行了剖析以及对目前业界多智能体设计方案的进行了调研简单介绍。希望能对相关平台开发者有借鉴意义对个人开发者其实有更多的方案进行体验没有必要进行手撸框架。基于 RAGFlow 构建私有知识问答应用传统 RAG 应用因文档解析能力不足导致相关问题的回答失准。RAGFlow 凭借创新的深度文档理解技术能精准解析各类复杂格式的原始数据提升回答准确性。本方案介绍如何一键部署 RAGFlow 并构建私有知识问答应用无需编码最快 10 分钟、最低 2 元即可实现。剖析以及对目前业界多智能体设计方案的进行了调研简单介绍。希望能对相关平台开发者有借鉴意义对个人开发者其实有更多的方案进行体验没有必要进行手撸框架。基于 RAGFlow 构建私有知识问答应用传统 RAG 应用因文档解析能力不足导致相关问题的回答失准。RAGFlow 凭借创新的深度文档理解技术能精准解析各类复杂格式的原始数据提升回答准确性。本方案介绍如何一键部署 RAGFlow 并构建私有知识问答应用无需编码最快 10 分钟、最低 2 元即可实现。在大模型时代我们如何有效的去学习大模型现如今大模型岗位需求越来越大但是相关岗位人才难求薪资持续走高AI运营薪资平均值约18457元AI工程师薪资平均值约37336元大模型算法薪资平均值约39607元。掌握大模型技术你还能拥有更多可能性• 成为一名全栈大模型工程师包括PromptLangChainLoRA等技术开发、运营、产品等方向全栈工程• 能够拥有模型二次训练和微调能力带领大家完成智能对话、文生图等热门应用• 薪资上浮10%-20%覆盖更多高薪岗位这是一个高需求、高待遇的热门方向和领域• 更优质的项目可以为未来创新创业提供基石。《AI大模型从0到精通全套学习包》如果你想要提升自己的能力却又没有方向想学大模型技术去帮助就业和转行又不知道怎么开始那么这一套**《AI大模型零基础入门到实战全套学习大礼包》以及《大模型应用开发视频教程》**一定可以帮助到你限免0元1全套AI大模型应用开发视频教程包含深度学习、提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点2大模型入门到实战全套学习大礼包01大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通02大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。03AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。04大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。05大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。*这些资料真的有用吗*这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。06以上全套大模型资料如何领取用微信加上就会给你发无偿分享遇到扫码问题可以私信或评论区找我