博客 / 列表

菩提樹下的楊過 - Agent設計模式學習(基於langchain4j實現)(11) - PlanAndExecute

上篇學習了ReACT,今天繼續學習PlanAndExecute模式 與ReACT模式的關鍵區別如下: 對比維度 ReAct Agent Plan-and-Execute Agent 思考模式 單步思考-行動循環 兩階段分離:先規劃後執行 執行流程 Thought → Action → Observatio

AI

菩提樹下的楊過 - Agent設計模式學習(基於langchain4j實現)(10) - ReACT

這次我們不再討論前文的招聘場景,而是學習一種更為廣泛使用的Agent模式:ReACT (推理+行動)。先來看示意圖: 這跟人類解決問題的思考方式很像:loop(思考-行動)。當我們遇到一系列問題時,通常先思考,逐個想方案(plan),然後執行(action),解決1個後(解決過程中,可能會藉助工具),再來解決下1個,直到所有問題都處理完。 定義ReAct Agent 1 pub

AI

菩提樹下的楊過 - Agent設計模式學習(基於langchain4j實現)(9) - 人機協同

經過前面的一系列流程,招聘來到了最重要的1個環節,AI雖然強大,但是不能完全代替人做決定,最終還是要Boss決策這個候選人的去留。從系統設計角度來説,整個AI智能體環節中,要預留人工干預的能力,也稱為"人機協同"(human_in_the_loop) 示例代碼: 1 @SpringBootApplication 2 public class _9a_HumanInTheLoop

AI

菩提樹下的楊過 - Agent設計模式學習(基於langchain4j實現)(7) - 監督者模式

書接上回,這次學習一種更高級的模式:監督者模式。職場上的牛馬們,大家回想一下,每次部門的OKR,是怎樣層層拆解最終落地的?是不是得有一個大佬(即:監督者),根據OKR先做拆解計劃(plan),然後把活兒派給各組去落地(action),中間還會時不時的review? 這個就叫做監督者模式。 仍然還是這個招聘的示例,我們定義1個監督者Agent 1 public interface HiringS

AI

菩提樹下的楊過 - Agent設計模式學習(基於langchain4j實現)(6) - 組合複雜工作流

前面已經學習了 順序、循環、條件分支、並行 這4種基本的工作流編排方式,利用這些可以組合出各種複雜的邏輯。下面將前面招聘的整個流程串起來,做一個相對比較完整的工作流: 宏觀上,1-2-3是面向候選人的,4-5-6是面向公司招聘團隊的。 一、定義Agent 1.1CandidateWorkflow 1 public interface CandidateWorkflow { 2 @Ag

AI

菩提樹下的楊過 - Agent設計模式學習(基於langchain4j實現)(5) - 條件工作流

書接上回,簡歷評估完後,根據評估結果,如果合格,公司就該通知面試,否則回郵件拒絕。也就是今天要演示的“條件工作流”。下面定義這2個分支對應的Agent: 一、定義不同分支的Agent 1.1EmailAssistant (發郵件拒絕候選人Agent) 1 public interface EmailAssistant { 2 3 @Agent("向未通過篩選的候選人發送拒絕郵件

AI

菩提樹下的楊過 - Agent設計模式學習(基於langchain4j實現)(4) - 並行工作流

書接上回,現在簡歷已經潤色得足夠好了,投遞到了HR手上,假設跟候選人也做了初步的電話溝通。接下來,公司需要對候選人做如下審查: 經理:針對簡歷,結合招聘崗位要求,審查簡歷是否符合要求(包括優點和不足) HR:針對簡歷,結合電話溝通記錄以及HR招聘相關要求,審查簡歷是否適合(包括優點和不足) 團隊成員:針對簡歷,評估候選人融入團隊的程度(包括優點和不足) 可以發現,這3個角色對候選人的評估

AI

菩提樹下的楊過 - Agent設計模式學習(基於langchain4j實現)(3) - 循環工作流

接上節繼續,仍然還是這個簡歷優化的示例,這次引入1個 “簡歷審閲者(CVReviewer)”的角色,定義如下: public interface CvReviewer { @Agent("根據特定指示審閲簡歷,提供反饋和分數。請考慮簡歷與職位要求的匹配程度") @SystemMessage(""" 您是此職位的招聘經理: {{j

AI

菩提樹下的楊過 - Agent設計模式學習(基於langchain4j實現)(1) - 基礎Agent用法

自近年AI智能體火爆以來,各種相關的框架和最佳實踐也不斷涌現,Anthropic公司2024年發佈的Building Effective AI Agents \ Anthropic無疑是最有影響力的指導文章之一,langchain4j在此影響之下,也實現一系列的workflow編排Agent功能。 本文將在langchain4j官方示例基礎上(不熟悉langchain4j的朋友,請移步langch

AI