在未来等你-CSDN博客

在未来等你

码龄11年

IP 属地：北京市

加入CSDN时间： 2014-10-23

个人简介：如果所有的付出都没有回报，那还让我怎么坚持

查看详细资料

个人成就

获得8,219次点赞
内容获得20次评论
获得7,180次收藏
代码片获得772次分享
原力等级

原力等级

6

原力分

2,098

本月获得

7

TA的专栏

TA关注的专栏 2

TA关注的收藏夹 0

TA关注的社区 10

TA参与的活动 0

兴趣领域设置

大数据

mysqlredis
后端

spring架构
服务器

linux

创作活动更多

AI 镜像开发实战征文活动

随着人工智能技术的飞速发展，AI 镜像开发逐渐成为技术领域的热点之一。Stable Diffusion 3.5 FP8 作为强大的文生图模型，为开发者提供了更高效的图像生成解决方案。为了推动 AI 镜像开发技术的交流与创新，我们特此发起本次征文活动，诚邀广大开发者分享在 Stable Diffusion 3.5 FP8 文生图方向的实战经验和创新应用本次征文活动鼓励开发者围绕 Stable Diffusion 3.5 FP8 文生图方向，分享以下方面的内容： 1. 技术实践与优化 - Stable Diffusion 3.5 FP8 模型架构解析与优化技巧 - 文生图生成效果的提升方法与技巧 - 模型部署与加速策略，例如使用 Hugging Face、Diffusers 等工具 - 针对特定场景（例如二次元、写实风）的模型微调与定制化开发 2. 应用场景探索 - Stable Diffusion 3.5 FP8 在不同领域的应用案例分享，例如游戏设计、广告创意、艺术创作等 - 利用 Stable Diffusion 3.5 FP8 实现图像编辑、图像修复、图像增强等功能的探索 - 结合其他 AI 技术（例如 NLP、语音识别）构建更强大的应用 3. 创新应用与思考 - 基于 Stable Diffusion 3.5 FP8 的创新应用场景设计 - AI 镜像开发的未来发展方向的思考与展望 - 对 AI 镜像开发伦理、安全等问题的探讨

28人参与去参加

更多

AI Agent设计模式 Day 20：Hybrid模式：混合设计模式的最佳实践

Hybrid模式并非由单一论文提出，而是随着LLM Agent研究深入而自然演进的工程实践结晶。其核心思想源于模块化智能（Modular Intelligence）与分而治之（Divide and Conquer）原则：将复杂问题分解为子任务，为每个子任务分配最适合的设计模式，并通过统一协调机制实现整体最优。使用ReAct处理症状推理与检查调用；采用获取最新医学指南；引入根据医生反馈修正诊断逻辑；利用Multi-Agent协作分别扮演“问诊员”、“检验分析师”和“诊断专家”。

博文更新于 2025.11.25 ·

AI Agent设计模式 Day 19：Feedback-Loop模式：反馈循环与自我优化

Agent在执行任务后，主动获取关于其行为结果的反馈信息，并基于此反馈更新自身策略、记忆、工具使用方式或推理逻辑，以在下一次类似任务中表现更优。该模式最早在强化学习（Reinforcement Learning）中被形式化，如Sutton & Barto (1998) 提出的策略梯度方法。近年来，在大语言模型（LLM）驱动的Agent系统中，Feedback-Loop被扩展为包含显式用户反馈（如评分、修正）、隐式行为信号（如点击率、停留时长）、环境奖励（任务完成度）以及自生成反思。

博文更新于 2025.11.25 ·

AI Agent设计模式 Day 18：Retrieval-Augmented模式：检索增强的知识整合

将参数化知识（LLM权重）与非参数化知识（外部文档库）解耦。传统LLM将所有知识压缩进参数中，而RAG则保留一个可更新、可审计、可解释的外部知识源。该模式的工作流程可概括为：用户提问 → 检索器从知识库中召回相关文档 → 将文档与问题拼接为提示 → LLM生成基于证据的答案RAG不仅提升了事实准确性，还显著降低了幻觉率。Meta、Google、Microsoft等公司已将其作为企业知识问答系统的标准架构。

博文更新于 2025.11.24 ·

AI Agent设计模式 Day 17：Tool-Augmented模式：工具增强的能力扩展

Tool-Augmented模式最早可追溯至2017年Google提出的“Program-Aided Language Models”（PAL）思想，并在2022年Meta的Toolformer和2023年LangChain生态中得到广泛实践。将LLM作为“控制器”，而非“执行器”。模型不再直接生成最终答案，而是生成对工具的调用指令（如函数名+参数），由外部工具执行后返回结果，再由模型整合输出。缺乏实时数据：无法访问互联网或私有数据库；计算精度不足：无法进行高精度数学运算；无副作用操作能力。

博文更新于 2025.11.24 ·

AI Agent设计模式 Day 16：Memory-Augmented模式：记忆增强的Agent设计

Memory-Augmented模式的核心思想是将Agent的推理能力与其记忆系统解耦，通过外部可读写的记忆存储（而非仅依赖LLM内部上下文窗口）实现长期知识积累与复用。该模式源于2014年DeepMind提出的神经图灵机（Neural Turing Machine, NTM）和可微分神经计算机（Differentiable Neural Computer, DNC），其关键突破在于引入了外部记忆矩阵$M \in \mathbb{R}^{N \times M}$，并通过注意力机制实现对记忆的读写操作。

博文更新于 2025.11.22 ·

AI Agent设计模式 Day 15：Swarm模式：群体智能与涌现行为

Swarm模式源于群体智能（Swarm Intelligence, SI）理论，最早由Bonabeau等人在1999年系统提出，其灵感来自蚂蚁觅食、鸟群飞行等自然现象。在AI Agent系统中，Swarm模式指由多个同构或异构的轻量级Agent组成群体，每个Agent仅依据局部环境信息和简单规则进行决策，通过信息素（pheromone-like signals）、消息广播或状态共享等方式间接通信，最终在整体层面涌现出复杂、高效的智能行为。去中心化：无单一控制节点，系统具有高容错性；自组织。

博文更新于 2025.11.22 ·

AI Agent设计模式 Day 14：Hierarchical模式：分层Agent架构设计

Hierarchical模式源于经典人工智能中的分层任务网络（Hierarchical Task Network, HTN）规划方法，最早由Sacerdoti在1970年代提出，并在SOAR、SHOP等规划系统中得到广泛应用。将复杂任务递归分解为子任务，并由不同层级的Agent协同完成，高层Agent负责目标分解与监控，低层Agent专注具体执行。任务分解（Task Decomposition）：高层Agent将宏观目标拆解为可操作的子任务。职责分离（Separation of Concerns）

博文更新于 2025.11.22 ·

AI Agent设计模式 Day 13：Ensemble模式：集成多个Agent的智慧

Ensemble模式源于统计学与机器学习中的集成方法（Ensemble Methods），最早可追溯至1990年代Breiman提出的Bagging和Freund & Schapire的AdaBoost算法。通过协调多个具有不同能力、视角或偏好的Agent，对其输出进行融合，以获得比任一单个Agent更准确、更稳健的结果。多样性（Diversity）：参与集成的Agent应在能力、训练数据、提示模板、工具链或推理路径上存在差异。互补性（Complementarity）

博文更新于 2025.11.22 ·

AI Agent设计模式 Day 12：Debate模式：多Agent辩论与决策优化

Debate模式源于博弈论与群体智能理论，其思想可追溯至哲学中的苏格拉底式诘问法（Socratic Method）和人工智能领域的多智能体协商机制。2023年，OpenAI在论文《》及后续工作中首次系统性地将多Agent辩论机制应用于大模型推理优化。单一Agent容易陷入局部最优或认知偏见，而多个具备差异化视角的Agent通过结构化辩论可逼近全局最优解。正方Agent（Proponent）：支持某一结论或方案反方Agent（Opponent）：提出反对意见或替代方案。

博文更新于 2025.11.19 ·

AI Agent设计模式 Day 11：Multi-Agent协作模式：角色分工与任务协同

Multi-Agent协作模式源于分布式人工智能（Distributed Artificial Intelligence, DAI）和多智能体系统（Multi-Agent Systems, MAS）的研究传统。早在20世纪90年代，Jennings等人就在《Artificial Intelligence》期刊中提出：“智能不应局限于单个实体，而应通过多个自主、交互的代理共同涌现。

博文更新于 2025.11.19 ·

AI Agent设计模式 Day 10：Analogical Reasoning模式：类比推理实战

Analogical Reasoning（类比推理）是指通过识别源域（source domain）与目标域（target domain）之间的结构映射关系，将源域的知识、解决方案或行为模式迁移到目标域的过程。其核心思想源于认知科学中的结构映射理论（Structure Mapping Theory），由Dedre Gentner于1983年提出。

博文更新于 2025.11.18 ·

AI Agent设计模式 Day 9：Least-to-Most模式：从简单到复杂的渐进式推理

Least-to-Most（LtM）是一种渐进式提示（Progressive Prompting）设计模式，专为提升大语言模型（LLM）在复杂推理任务中的表现而设计。不直接要求模型解决整个复杂问题，而是引导其先将问题分解为逻辑上递进的子问题序列，再按顺序逐一解答，后一个子问题的答案依赖于前一个子问题的输出。该模式由Google Research团队于2022年首次提出，旨在解决传统Zero-shot或Few-shot提示在面对多步骤、强依赖性任务时表现不佳的问题。

博文更新于 2025.11.18 ·

AI Agent设计模式 Day 8：Graph-of-Thoughts模式：图结构推理网络

Graph-of-Thoughts（GoT）由Yao et al. 在2023年提出（论文《Graph of Thoughts: Solving Elaborate Problems with Large Language Models》），是对Chain-of-Thought（CoT）和Tree-of-Thoughts（ToT）的进一步泛化。将推理过程建模为一个有向图（Directed Graph），其中节点表示中间思想（Thoughts），边表示推理操作（Operations）。

博文更新于 2025.11.18 ·

AI Agent设计模式 Day 7：Tree-of-Thoughts模式：树形思维探索

是由普林斯顿大学与谷歌DeepMind于2023年提出的创新性推理框架，其核心思想是将问题求解过程建模为一棵动态生长的思维树（Thought Tree），每个节点代表一个中间推理状态（partial solution），每条边代表一次推理步骤。与Chain-of-Thought（CoT）仅维护单一推理链不同，ToT允许Agent同时维护多个候选路径，并通过评估函数（Value Function）对各路径进行打分，结合搜索策略（如BFS、DFS、Beam Search）动态剪枝或扩展最有希望的分支。原始论文。

博文更新于 2025.11.17 ·

AI Agent设计模式 Day 5：Reflexion模式：自我反思与持续改进

Reflexion 模式由 Shinn 等人在 2023 年提出的论文《Reflexion: Language Agents with Verbal Reinforcement Learning》首次系统阐述。让语言模型在完成任务后，像人类一样“复盘”，通过自我批评生成反思日志（reflection memory），并在下一次尝试中利用这些经验优化决策路径。与传统的单次推理不同，Reflexion 引入了迭代-反思-再执行执行阶段：Agent 执行任务并输出结果。评估阶段。

博文更新于 2025.11.10 ·

AI Agent设计模式 Day 6：Chain-of-Thought模式：思维链推理详解

Chain-of-Thought（思维链）模式由 Wei 等人在论文《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》（NeurIPS 2022）中正式定义。在提示（prompt）中要求模型不仅给出答案，还要展示得出答案的推理过程。例如，对于问题：“小明有5个苹果，吃了2个，又买了3个，现在有几个？”，传统输出为“6”，而CoT输出为：“小明开始有5个苹果。吃了2个后剩下 5 - 2 = 3 个。

博文更新于 2025.11.10 ·

AI Agent设计模式 Day 4：ReWOO模式：推理而不观察的高效模式

ReWOO（Reasoning without Observation）是一种将逻辑推理与环境交互分离的Agent设计模式。传统ReAct模式在每一步推理后立即调用工具并观察结果，导致大量中间Token被用于记录观察内容，不仅增加成本，还可能因上下文过长引发信息丢失。Plan阶段：LLM仅基于任务描述生成一个结构化的推理计划（Plan），其中包含一系列待执行的工具调用指令（如），但不实际执行。Execute阶段：系统解析Plan，并行或顺序执行所有工具调用，获取真实世界数据（Observations）。

博文更新于 2025.11.08 ·

AI Agent设计模式 Day 3：Self-Ask模式：自我提问驱动的推理链

Self-Ask模式最早由Google Research团队在2022年论文《》中正式提出。其核心思想源于人类解决问题时的“元认知”策略：面对复杂问题，人们会本能地将其拆解为若干中间问题，逐一解答后再整合答案。定义：Self-Ask是一种基于显式中间问题生成的推理范式，其中LLM在回答主问题前，首先判断是否需要提出一个或多个后续问题（follow-up questions），并通过迭代式问答逐步逼近最终答案。该模式的关键创新在于强制模型暴露其推理过程，而非直接输出结论。

博文更新于 2025.11.08 ·

AI Agent设计模式 Day 2：Plan-and-Execute模式：先规划后执行的智能策略

Plan-and-Execute 模式源于传统人工智能中的分层任务网络（Hierarchical Task Network, HTN）规划和STRIPS 规划框架先由一个“规划器”（Planner）生成完整的任务分解计划，再由“执行器”（Executor）按计划逐步调用工具或采取行动。

博文更新于 2025.11.07 ·

AI Agent设计模式 Day 1：ReAct模式：推理与行动的完美结合

ReAct（Reasoning + Acting）是一种将符号推理与环境交互融合的Agent设计模式。其灵感来源于人类解决问题的过程：我们不仅会思考“怎么做”，还会执行动作（如搜索、点击、计算），并根据结果调整下一步策略。原始论文指出，仅使用CoT的模型在需要外部知识的任务上表现不佳（如HotpotQA准确率仅43%），而纯工具调用又容易因缺乏上下文理解导致错误操作。ReAct通过引入交替的Thought-Action-Observation序列。

博文更新于 2025.11.07 ·