嘿，大家好！這里是一個專注于AI智能體的頻道！

今天和大家聊聊一個經(jīng)典的，貝殼提出的RAISE Agent架構(gòu)。除了架構(gòu)之外，還包含一個全面的智能體訓練框架，從數(shù)據(jù)選取到場景增強等等。

From LLM to Conversational Agent: A Memory Enhanced Architecture with Fine-Tuning of Large Language Models

本文介紹了 RAISE（通過 Scratchpad 和示例進行reasoning和acting），這是一種高級架構(gòu)，可增強 GPT-4 等大型語言模型 ( LLMs ) 與會話Agent的集成。 RAISE 是 ReAct 框架的增強版，包含雙組件記憶系統(tǒng)，反映人類短期和長期記憶，以保持對話的上下文和連續(xù)性。它需要一個全面的agent構(gòu)建場景，包括對話選擇、場景提取、CoT 完成和場景增強等階段，最后進入LLMs培訓階段。這種方法似乎增強了agent在復雜的多輪對話中的可控性和適應性。我們在房地產(chǎn)銷售環(huán)境中的初步評估表明，RAISE 比傳統(tǒng)Agent框架具有一些優(yōu)勢，表明其具有更廣泛應用的潛力。這項工作為開發(fā)更多上下文感知和多功能對話Agent提供了一個強大的框架，為人工智能領(lǐng)域做出了貢獻。

RAISE的核心是它的雙組件記憶系統(tǒng)，這就像是我們的短期和長期記憶。短期記憶部分，也就是草稿，會記錄下最近的互動信息和結(jié)論，而長期記憶部分則負責提取與當前對話相關(guān)的信息。

這個架構(gòu)的厲害之處在于，它能讓AI在多輪對話中保持連貫性和上下文意識。這就像是，你和AI聊著聊著，它突然能接上你之前提到的一個話題，這種感覺就像是和真人聊天一樣自然。

5種Agent框架差異

附帶的還包括一個相對全面的智能Agent構(gòu)建的模型訓練方法，包括對話選擇、場景提取、思維鏈完成和場景增強等階段，最終達到訓練大型語言模型的目的。這種方法不僅能提高Agent的控制性和適應性，還能讓AI在復雜對話中表現(xiàn)得更好。

實驗結(jié)果表明，RAISE在房地產(chǎn)銷售領(lǐng)域的對話中，比傳統(tǒng)的聊天代理有更好的表現(xiàn)。這不僅僅是在房地產(chǎn)領(lǐng)域，RAISE的這些原理和方法論也可以應用到其他領(lǐng)域，顯示出它的多功能性。

本文轉(zhuǎn)載自 ??探索AGI??，作者： 獼猴桃