#LLM应用

avatar
为什么现在的llm在实际工作中经常感觉一般？实际能力和它的知识储备、智商都不成正比？ 一大原因，是llm没有你的implicit knowledge（暗知识、隐性知识）。 例如，你是如何给文章起标题的。你有一套自己的sop，一套workflow，里面凝结着你的很多经验、思考和总结。 这些暗知识，有人认为是不可能表达出来的，但我持相反观点：无法表达，不过是缺乏元认知而已，这是可以解决的。 一旦把你的暗知识、隐性知识和llm的能力结合起来，ai就会真正成为领域专家。 --- 基于以上思考，我认为agent skill 非常非常重要。它是人类暗知识和llm能力结合的桥梁。虽然难，但是值得花时间研究。 关于agent skill的写作/创作，anthropic 官方推出了 《创作 claude skill 最佳实践》。 英文版： 我做了中文版，链接：
#LLM应用 #隐性知识 #Agent Skill #领域专家 #claude skill
avatar
Limbo
2个月前
抽空可以跑跑学习下，该仓库系统性地收集了多种LLM的应用案例，覆盖从入门到高级的AI代理、RAG、工作流等范畴，既有面向新手的快速上手代理，也有复杂的端到端流程与多Agent协作范例。
#LLM应用 #AI代理 #RAG #工作流 #多Agent协作
avatar
Tw93
3个月前
GitHub上整理的这个 12-Factor Agents - Principles for building reliable LLM applications 非常不错，我们能用哪些原则来构建真正够用、可以交付给生产客户使用的LLM驱动软件？写得非常好，值得学习。
#LLM应用 #GitHub #12-Factor Agents #软件开发 #生产环境
avatar
「LLM, Agent」论文 MOSAIC: Modeling Social AI for Content Dissemination and Regulation in Multi-Agent Simulations 有趣paper，Multi Agent能否模拟“社会实验沙盒”？ 这篇论文做了一件有趣的事，用LLM 扮演一群虚拟用户，在模拟社交平台上行为。 具体来说，MOSAIC 构建了一个Multi Agent的社交模拟系统：每个 agent 拥有独立画像，其行为由LLM驱动，不仅能点赞、转发、评论，还会为自己的行为给出解释。 系统整体可用于测试不同的内容治理策略， 例如模拟X的的 Community Notes。 结果显示，Agent 在点赞、评论等行为上与人类高度相似；但 Agent 的行为解释与实际决策存在偏差。 在方法上，这是对social science传统研究方法的大胆创新。然而，许多关键问题，即便在 LLM 自身的研究中未有答案，比如：Agent 是否能真正捕捉人类的情感与心理动机？是否能呈现社会关系中结构性的复杂交互？ 用multi agent来模拟大规模社会实验，似乎不可信；但若有一天它真的变得可信... Lost in thought...
#多智能体 #社会实验 #社交平台 #虚拟用户 #行为模拟 #论文研究 #LLM应用