Agent的进化：RAISE如何让AI更聪明？

嘿，大家好！这里是一个专注于AI智能体的频道！

今天和大家聊聊一个经典的，贝壳提出的RAISE Agent架构。除了架构之外，还包含一个全面的智能体训练框架，从数据选取到场景增强等等。

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

本文介绍了 RAISE（通过 Scratchpad 和示例进行reasoning和acting），这是一种高级架构，可增强 GPT-4 等大型语言模型 ( LLMs ) 与会话Agent的集成。 RAISE 是 ReAct 框架的增强版，包含双组件记忆系统，反映人类短期和长期记忆，以保持对话的上下文和连续性。它需要一个全面的agent构建场景，包括对话选择、场景提取、CoT 完成和场景增强等阶段，最后进入LLMs培训阶段。这种方法似乎增强了agent在复杂的多轮对话中的可控性和适应性。我们在房地产销售环境中的初步评估表明，RAISE 比传统Agent框架具有一些优势，表明其具有更广泛应用的潜力。这项工作为开发更多上下文感知和多功能对话Agent提供了一个强大的框架，为人工智能领域做出了贡献。

RAISE的核心是它的双组件记忆系统，这就像是我们的短期和长期记忆。短期记忆部分，也就是草稿，会记录下最近的互动信息和结论，而长期记忆部分则负责提取与当前对话相关的信息。

这个架构的厉害之处在于，它能让AI在多轮对话中保持连贯性和上下文意识。这就像是，你和AI聊着聊着，它突然能接上你之前提到的一个话题，这种感觉就像是和真人聊天一样自然。

5种Agent框架差异

附带的还包括一个相对全面的智能Agent构建的模型训练方法，包括对话选择、场景提取、思维链完成和场景增强等阶段，最终达到训练大型语言模型的目的。这种方法不仅能提高Agent的控制性和适应性，还能让AI在复杂对话中表现得更好。

实验结果表明，RAISE在房地产销售领域的对话中，比传统的聊天代理有更好的表现。这不仅仅是在房地产领域，RAISE的这些原理和方法论也可以应用到其他领域，显示出它的多功能性。

本文转载自 ​​探索AGI​​，作者： 猕猴桃