文章目錄
- 調研：如何實現智能分析助手（Agent）（AutoCoder、FastGPT、AutoGen、DataCopilot）
- 一、交互流程
- 二、數據流程
- 三、架構分類
- 四、開源產品
- 4.1 AutoCoder（知識庫變體）
- 4.2 FastGPT（知識庫實現）
- 4.3 AutoGen（多 Agent 交互）
- 4.4 Data Copilot（任務規劃）
- 5 參考鏈接
調研：如何實現智能分析助手（Agent）（AutoCoder、FastGPT、AutoGen、DataCopilot）
一、交互流程
二、數據流程
企業聊天應用的后端通常遵循以下類似的流程[1]：
1.用戶在自定義聊天用戶界面（UI）中輸入一個提示
2.該提示通過界面代碼發送到后端
3.后端從提示中提取用戶意圖（問題或指令）
4.后端確定需要訪問的數據存儲（與用戶提示相關）（可選）
5.后端查詢相關的數據存儲
6.后端將意圖、相關基礎數據和提示中提供的任何歷史記錄發送給大型語言模型（LLM）
7.后端將結果返回，以便可以在用戶界面上顯示
三、架構分類
上圖的架構分類參考[2,3]：
四、開源產品
4.1 AutoCoder（知識庫變體）
-
利用LLM對元數據進行提取[13]，后續將提取出的元數據作為業務知識拼接到prompts中使用
-
適用場景：知識比較少的場景
4.2 FastGPT（知識庫實現）
- 上圖是源碼[14] insertData2DataSet方法的時序圖
4.3 AutoGen（多 Agent 交互）
上圖來源于[9]，場景描述如下：
-
多Agent交互：有兩個Agent，其中User Proxy Agent代表人與Assistant Agent交互
-
代碼自動生成：生成在沙箱環境，代碼互相隔離
4.4 Data Copilot（任務規劃）
上圖來源于[10]，關注概念：
- self-request：prompt_intent_detection[11]、prompt_task[12]
5 參考鏈接
[1] baseline-openai-e2e-chat
[2] chatbot-architecture
[3] how-do-chatbots-work
[4] AI+BI：結合大語言模型實現對話式的智能報表系統
[5] 從長期記憶的角度談Agent
[6] Prompt調試及知識庫使用調研
[7] NoCoding-BatchDataQualityConfig
[8] 十分鐘用LangChain做一個源代碼閱讀助手
[9] Step By Step AutoGen by Microsoft
[10] Data-Copilot: 大語言模型做你最貼心省事的數據助手
[11] Data-Copilot: prompt_intent_detection
[12] Data-Copilot: prompt_task
[13] AutoCoder: 索引構建
[14] FastGPT：索引構建
前端開發面試題集錦和參考答案)
