在前面一节中，我们做了一个简单的统计图表的例子。本节中，我们将实现一个综合的稍微复杂一点的例子，并对这个例子做一个详细的剖析，如下图所示：。
上面是我通过Agent和大模型进行的对话，在指定的时间，我在web端收到了一个消息，如下所示：
Agent按照我的要求从数据库中获取数据，并在指定的时间通过消息发送给我。Agent为何能如此听话？或者说能听得懂我的话，并按照要求执行呢？那是因为我给他配置了解决此类问题的各种工具(tools)让他在合适的时候调用，下面是Agent在收到我的指令后进行的一系列动作，整个过程描述如下：
1、用户发出请求：在晚上17点28统计一下知识库数量和用户数量，一起发给admin
2、Agent收到请求后发给大模型，大模型初步判断这个是一个定时触发的任务，调用我的工具创建定时器，这个工具的json描述如下：
{ "type": "function", "function": { "name": "RemindAdd", "description": "当你想定时提醒的时候非常有用。如果对于用户给出的时间不确定，例如用户说：10点提醒我拿东西，这里的10点可能是早上10点，也可能是晚上10点，所以你要询问用户给出确定的时间点。但是如果根据系统时间，现在的时间已经过了10点，那么默认就是晚上10点，就不用在询问用户了。", "parameters": { "type": "object", "properties": { "time": { "type": "string", "description": "定时到期时间，使用24小时时间格式。例如2025-02-05 15:31。如果用户是指每天任务的话， 那么这个时间必须是今天的时间" }, "something": { "type": "string", "description": "一个动作，用户想要在定时到期时要做的事情,例如：做饭，洗碗等" }, "timeRelated": { "type": "string", "description": "和用户定时相关的词语，例如：3分钟后，12:50，下午4点等" }, "userInput": { "type": "string", "description": "用户输入的原话内容" }, "userLoginName": { "type": "string", "description": "当前用户登录名，使用系统提示的内容填写" }, "isEveryDay": { "type": "string", "description": "是否为每天重复提醒，true或者false" }, "contentType": { "type": "string", "description": "提醒的类型：text或者action。text是指发送文本消息，action指的是一个动作：例如查询当天最新的IT资讯，发送消息,或者用户请求中包含 \"自动、定时、发送\" 等动作词汇时也认为是一个action。" } } }, "required": [ "time", "something", "timeRelated", "userInput", "userLoginName", "isEveryDay", "contentType" ] } }
大模型指示Agent调用这个工具，并传递参数。Agent根据传递参数创建定时器，保存在数据库中，这个定时器信息如下图：
3、在指定时间到期之后，Agent提取定时器的提醒内容 "统计知识库数量和用户数量，然后将结果一起发给admin” 提交给大模型。
4、大模型判断这是一个多任务场景，返回Agent说调用任务分解的tool，并传递参数，这个任务分解函数的json描述如下：
{ "type": "function", "function": { "name": "Global_Decomposition", "description": "任务分解函数，把用户请求的内容分成若干个可执行的最小单元，确保每个单元都包含且只能包含一个独立任务。如果您发现用户的请求是一个包含多个任务的情况时，优先调用这个函数，这个函数的优先级别最大（除了和定时、提醒有关的内容）。例如用户说：统计一下部门用户数，并给我写一个简单js2个数字相加的函数，还有通知全体市场部人员开会。\n那么使用这个Global_Decomposition可以把用户的输入分解成3个任务,就是 :[{ \"index\": 1,\"desc\": \"统计一个部门用户数\" ,\"base\":\"\" },{\"index\": 2,\"desc\": \"写一个简单js2个数字相加的函数\" ,\"base\":\"\" },{\"index\":3,\"desc\":\"通知全体市场部人员开会\",\"base\":\"1,2\" }...] 。任务分解注意一下几点：\\n1、如果这些任务之间有前后依赖关系，那么请注意任务分解时候的排序,要把被依赖的任务放在依赖他的任务之前。\\n2、如果分解后还是只有一个任务，那么就不要分解。\\n3、要保证任务分解必须能全面执行用户的任务，任务分解的数量不限制，要保证逻辑清晰、完整、正确。\\n4、其中base指出任务之间的依赖关系。", "parameters": { "type": "object", "properties": { "tasks": { "type": "string", "description": "分解后的任务,一个json数组格式的字符串，不能为空。例如：[{\"index\": 1,\"desc\": \"统计一个部门用户数\",\"base\":\"\" },{\"index\": 2,\"desc\": \"写一个简单js2个数字相加的函数\",\"base\":\"\" },{\"index\":3,\"desc\":\"通知全体市场部人员开会\",\"base\":\"1,2\" }...]。其中base指出任务之间的依赖关系，填写依赖任务的index值，多个之间使用逗号隔开。" }, "agentID": { "type": "string", "description": "agentID" }, "userLoginName": { "type": "string", "description": "用户名，根据系统提示自动填入" }, "userInput": { "type": "string", "description": "用户提问的原话内容" } } }, "required": [ "tasks", "agentID", "userLoginName", "userInput" ] } },
通过这个json，大模型把这个任务 " 统计一下知识库数量和用户数量，一起发给admin" 分解为三个任务：
Agent拿到分解的任务后，根据任务的依赖关系，经过遍历循环执行（如果分解任务数量多，依赖关系复杂可能需要多次遍历执行），先完成任务1和任务2（再上一篇中详细介绍过），然后把任务1和任务2的结果以及任务3一起提交给大模型
5、大模型在收到 第上面四步的请求（类似于：知识库数量178，用户数量51。请根据以上信息完成用户下面的请求：把统计结果发送给admin），判断这是一个信息发送的任务，返回工具调用信息，这个发送信息的json格式如下：
{ "type": "function", "function": { "name": "System_Notify", "description": "当你想发送通知、消息、email，短信等时非常有用。", "parameters": { "type": "object", "properties": { "agentID": { "type": "string", "description": "agentID" }, "userLoginName": { "type": "string", "description": "发送人姓名" }, "message": { "type": "string", "description": "消息内容。" }, "toUser": { "type": "string", "description": "消息接收人姓名，多个接收人之间使用逗号(,)分开。例如：张三,李四,王五" }, "userDesc": { "type": "string", "description": "消息接收人描述:用户没有提及具体的姓名而是一个描述，系统管理员 或者 财务部的部长" }, "msgType": { "type": "string", "description": "消息类型，包括：短信(sms)、系统消息(system)、邮件(email)、微信群(weixingroup)、个人微信(weixinuser)，多个消息类型之间使用逗号(,)分开。例如：sms,system,email,weixin。" }, "toName": { "type": "string", "description": "当参数mstType是微信群时，toName指的是微信群的名称或者个人微信的名称" }, "userInput": { "type": "string", "description": "用户提问的原话内容。" } } }, "required": [ "userLoginName", "message", "toUser", "userDesc", "msgType", "userInput", "toName", "agentID" ] }
6、Agent收到后，根据参数进行消息发送
至此整个流程完成。从这个过程中看出，Agent在人类和大模型之间，起到一个中间人的角色。人类在发出一个请求给Agent后，通过Agent和大模型之间的多次沟通和信息交流后，完成人类的指令。
以上只是一个简单的实例，但任何复杂的事情都是由简单的组成的不是吗？
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。