LangChain: Thiết kế phạm vi agent xoay quanh phản hồi của con người
Bắt đầu từ đây
LangChain lập luận rằng khi xây dựng các agent hướng mục tiêu, nên chọn phạm vi sao cho con người có thể dễ dàng đưa ra phản hồi chất lượng cao, bởi vì ngữ cảnh chuyên môn không được ghi lại là thứ khó cung cấp nhất. Trong nghiên cứu điển hình của mình, công cụ xây dựng agent bán hàng Actively AI đã thay thế các agent theo từng tài khoản bằng "motions" — các agent được xây dựng trên Deep Agents, mỗi agent đảm nhận một công việc, chẳng hạn như tiếp cận ra bên ngoài trên nhiều tài khoản — mà LangChain cho rằng điều này giúp việc đánh giá và học hỏi xuyên nhiệm vụ trở nên dễ dàng hơn. Đây là khuyến nghị thiết kế từ LangChain, không phải một kết quả đo lường được; ví dụ Actively AI được trình bày như một nghiên cứu điển hình chứ không phải bằng chứng về kết quả được cải thiện.
Tạo từ các bài viết · cập nhật 59 phút trước
Dòng thời gian bài viết
Theo các bài viết để thấy sự việc từ nhiều phía.
- LangChain BlogKỹ thuật mục tiêu: Thiết kế phạm vi tác nhân để phản hồi từ con người tốt hơn
LangChain lập luận rằng khi thiết kế các tác nhân hướng mục tiêu, nên chọn phạm vi sao cho con người có thể dễ dàng đưa ra phản hồi chất lượng cao, vì ngữ cảnh chuyên môn không được ghi lại là thứ khó cung cấp nhất. Nghiên cứu điển hình của họ về Actively AI cho thấy nhà xây dựng tác nhân bán hàng đã thay thế các tác nhân theo từng tài khoản bằng "motions" — các tác nhân được xây dựng trên Deep Agents, mỗi tác nhân đảm nhận một công việc như tiếp cận ra bên ngoài trên nhiều tài khoản — giúp việc đánh giá và học hỏi chéo nhiệm vụ trở nên dễ dàng hơn.
Độ nóng của sự việc này
Chưa đủ quan sát liên tục để vẽ xu hướng.