Navigate to WaytoAGI Wiki →
Home/Question List/Question Detail

agent和workflow的区别

Answer

智能体（Agent）和工作流（Workflow）的区别主要体现在以下几个方面：

  1. 定义和功能：
    • 智能体是由 LLM 动态指导自身流程和工具使用的系统，能够自主控制任务完成方式。
    • 工作流是通过预定义代码路径来编排 LLM 和工具的系统。
  2. 运行方式：
    • 智能体可以长期独立运行，是全自动的系统，能使用各种工具完成复杂任务。
    • 工作流中的子任务是人为编排的，属于手动编排。
  3. 组成和特点：
    • 工作流中的每个组块可以看成是一个函数，包括传统函数、调用第三方服务的函数和基于 LLM 的函数。由这三类函数组合而成的工作流被称为超函数，它不同于传统函数，形式上是用自然语言编写的程序，功能上可以模拟人的高阶思维。
    • 智能体在架构上与工作流有所区分，其更强调自主性和动态性。

在实际应用中，工作流的灵活性和可控性能够将智能体能力的天花板往上顶一大截，例如可以在流程中加入人类 Knowhow、进行专家测试试跑、引入图的概念灵活组织节点等。评价一个 Agent 平台好不好用，可以从基座模型的 function calling 能力、workflow 的灵活性以及平台创作者的 workflow 编写水平等方面考量。

Content generated by AI large model, please carefully verify (powered by aily)

References

小七姐：来自 Anthropic 的建议：构建高效智能体

原文地址：[Building effective agents](https://www.anthropic.com/research/building-effective-agents)本文为上文的译文（包括图片汉化）过去一年，我们与多个行业的团队合作，协助他们构建大语言模型(Large Language Model,LLM)智能体。我们发现，最成功的实践并非依赖复杂的框架或专门的代码库，而是采用简单、可组合的模式。本文将分享我们通过与客户合作以及自主构建智能体所获得的经验，并为开发者提供实用的建议。[heading3]什么是智能体？[content]"智能体"(Agent)可以有多种定义。一些客户将智能体定义为能够长期独立运行的全自动系统，它们可以使用各种工具来完成复杂任务。另一些则用这个术语描述更具规范性的实现，即遵循预定义工作流程的系统。在Anthropic，我们将这些变体统称为智能系统(Agentic Systems)，但在架构上区分为工作流(Workflows)和智能体(Agents)两种类型：工作流是通过预定义代码路径来编排LLM和工具的系统。智能体则是由LLM动态指导自身流程和工具使用的系统，能够自主控制任务完成方式。下文将详细探讨这两种智能系统。在附录1（"智能体的实践应用"）中，我们将介绍客户在使用这类系统时发现特别有价值的两个领域。

艾木: 如何用Coze制作一个信息检索Bot（含Workflow的基础用法）

Coze的Workflow为我们制作Agents/Bots提供很大的灵活性和便捷性。理论上，很多研究论文里面的提示词工程技术都可以通过Workflow实现，然后嵌入到Bot里，快速设计出一个产品。Dr.Know就是一个很好的例子。Workflow是什么？我们再回看一下Dr.Know使用的这个Workflow。这个Workflow里每个组块都可以看成是一个函数，这里面混杂了三类函数：一类是传统函数，像FormatRetrievedResults和GetUserLanguage都可以归为这一类；第二类是调用第三方服务的函数，如SearchWebWithGoogle；第三类程序是基于LLM的函数，如GenerateQueryResponse。我们可以把前一类叫作原生函数（Native Function），第二类叫作远端函数（Remote Function），第三类叫作语义函数（Semantic Function）。原生函数和远端函数是传统程序的基本组块，语义函数则是在LLM诞生之后才有的。这里我们使用了“函数”这个概念对LLM-based的程序做了概括，但是我们应该都清楚语义函数与传统函数在形式和功能上都有根本差异：形式上，它是用自然语言编写的程序；功能上，它可以模拟人的高阶思维，而不仅仅是做一些流程性的操作。既然如此，那么由这三类函数组合而成的Workflow也完全不同于传统函数，我把它们称作超函数（Hyperfuction）。

AI Agent 产品经理血泪史（二）-欲知方圆，则必规矩【Workflow篇】

上图分别是Coze和Dify的workflow可视化编排页面（框架：React Flow），不得不说Coze的确不是最早做编排的，但是集各家之所长，在用户体验上做的的确得人心。再回过头对比一下上节中AutoGPT的实现，我们可能就发现了这个差异：AutoGPT的任务是大模型编排出来的，我们可以理解为自动编排；而Workflow里面的子任务，是我们人为编排的，我们就称为手动编排吧。由此带来的优化也非常明显：1.在流程中加入人类Knowhow，补足模型知识的不足；2.专家测试试跑，减少生产环境中的反复无效反思，至少不会让用户觉得你的Agent真蠢；3.引入图的概念，灵活组织节点，连接各类工具（让你的Agent看起来很牛逼）其实加入了图的概念之后，workflow的天花板也就变得非常高了。因为你可以在这个流程中去任意增加节点，增加各种类型的节点，不仅能套工具，还能套其它agent，你也可以写代码用硬逻辑去处理，你也可以接大模型，让它代替人类进进行判断。能力的上限，很大概率就是你想象力的上限。灵活和可控，把Agent能力的天花板往上顶了一大截。这就是workflow的功劳。我之前评价一个Agent平台好不好用：1看基座模型的function calling能力，2看workflow的灵活性，3看平台创作者的workflow写的牛逼不牛逼哈哈1、2看的是技术能力，其实也没啥门槛

Others are asking
AI Agents（智能体）
AI 智能体（Agents）是人工智能领域中一个重要的概念： 1. 从 AGI 的发展等级来看，智能体不仅具备推理能力，还能执行全自动化业务，但目前许多 AI Agent 产品在执行任务后仍需人类参与，尚未达到完全智能体的水平。 2. 作为大模型的主要发展方向之一，智能体中间的“智能体”其实就是大模型（LLM）。通过为 LLM 增加工具、记忆、行动、规划这四个能力来实现。目前行业里主要用到的是 langchain 框架，它把 LLM 与 LLM 之间以及 LLM 与工具之间通过代码或 prompt 的形式进行串接。 3. 从智能体的起源探究来看，心灵社会理论认为智能是由许多简单的 Agent（分等级、分功能的计算单元）共同工作和相互作用的结果。这些 Agent 在不同层次上执行不同的功能，通过协作实现复杂的智能行为。心灵社会将智能划分为多个层次，每个层次由多个 Agent 负责，每个 Agent 类似于功能模块，专门处理特定类型的信息或执行特定任务。同时存在专家 Agent、管理 Agent、学习 Agent 等不同类型的 Agent 及其相应功能。从达特茅斯会议开始讨论人工智能，到马文·明斯基引入“Agent”概念，“AI”和“Agent”就彻底聚齐，往后被称之为 AI Agent。
2025-04-15
B端AI Agent
以下是关于 B 端 AI Agent 的相关知识： 一、概念定义 1. 智能体（Agent）简单理解就是 AI 机器人小助手，参照移动互联网，类似 APP 应用的概念。随着 ChatGPT 与 AI 概念的爆火，出现了很多相关新名词，如 bot 和 GPTs 等。AI 大模型是技术，面向用户提供服务的是产品，因此很多公司关注 AI 应用层的产品机会。 C 端案例：如社交方向，用户注册后先捏一个自己的 Agent，然后让其与他人的 Agent 聊天，两个 Agent 聊到一起后真人再介入；还有借 Onlyfans 入局打造个性化聊天的创业公司。 B 端案例：字节扣子和腾讯元器若为面向普通人的低代码平台，类似 APP 时代的个人开发者，那么帮助 B 端商家搭建 Agent 就类似 APP 时代专业做 APP 的。 2. 智能体开发平台：最早接触到的扣子 Coze 是通过一篇科技报道，如 2 月 1 日，字节正式推出 AI 聊天机器人构建平台 Coze 的国内版“扣子”，主要用于开发下一代 AI 聊天机器人。国内还有很多智能体开发平台，如 Dify.AI，但个人较常用的是扣子，所以常对比字节扣子和腾讯元器。 3. 关注智能体的原因：目前 AI Agent 的概念在市场上未达成共识，存在被滥用现象。AI Agent 指的是一种智能代理系统，接近人类大脑，可形成记忆、达成行动规划、自动交互、主动预测。其应用具有个性化、自主完成任务、多 Agent 协作等特点。目前 AI Agent 应用大多集中在 2B 场景，面向个人消费者的产品少，一方面是高度智能化的 Agent 能力需打磨，概念落地有距离；另一方面是 AI 和娱乐消费诉求结合少，主要带来生产方式和效率变革，个人消费者方向目前只看到“私人助理”场景。
2025-04-15
有关 ai agent 的科普文章
以下是为您提供的关于 AI Agent 的科普内容： AI Agent 是一个融合了多学科精髓的综合实体，包括语言学、心理学、神经学、逻辑学、社会科学和计算机科学等。它不仅有实体形态，还有丰富的概念形态，并具备许多人类特有的属性。 目前，关于 AI Agent 存在一些情况。例如，网络上对其的介绍往往晦涩难懂，让人感觉神秘莫测，其自主性、学习能力、推理能力等核心概念，以及如何规划和执行任务、理解并处理信息等方面，都像是笼罩在一层神秘面纱之下。 另外，以国与国之间的外交为例来解释相关协议。假设每个 AI 智能体（Agent）就是一个小国家，它们各自有自己的语言和规矩。各国大使馆试图互相沟通、做生意、交换情报，但现实中存在诸多问题，如协议各异、要求不同等。 如果您想了解更多关于 AI Agent 的详细内容，可访问： 。
2025-04-15
，AI agent 发展趋势，技术状态，商业模式
以下是关于 AI Agent 的发展趋势、技术状态和商业模式的相关信息： 发展趋势： 2024 年内，办公场景“AI 助手”开始有良好使用体验，实时生成的内容开始在社交媒体内容、广告中出现。 2025 2027 年，接近 AGI 的技术出现，人与 AI 配合的工作方式成为常态，很多日常决策开始由 AI 来执行。 技术状态： 目标实现基于 ReAct、SFT、RAG、强化学习等实现自主规划能力的 AI Agent，构建具备认知、决策智能的 Agent 智能体框架。 专注文本/多模态大模型、AI Agent 技术创新与应用。 商业模式： 依据不同类型销售市场的特点，结合一站式 AI 搭建平台将销售部署的产品化和模版化，让企业更容易落地和应用 AI 能力。 销售智能体 Blurr.AI 占位交易环节，解决 2B 销售获客的痛点，且具有向前后端环节延展的势能。
2025-04-13
AGENT
智能体（Agent）在人工智能和计算机科学领域是一个重要概念，指能够感知环境并采取行动以实现特定目标的实体，既可以是软件程序，也可以是硬件设备。 智能体具有以下特点： 1. 自主系统：通过感知环境（通常通过传感器）并采取行动（通常通过执行器）来达到某种目标。 2. 关键组成部分： 规划：将大型任务分解为更小、可管理的子目标，有效处理复杂任务。 反思和完善：对过去的行为进行自我批评和反思，从错误中吸取教训，完善未来步骤，提高最终结果质量。 记忆：包括短期记忆，用于所有的上下文学习；长期记忆，通过利用外部向量存储和快速检索实现长时间保留和回忆信息。 工具使用：学习调用外部 API 来获取模型权重中缺失的额外信息。 以下是一些与智能体相关的资源目录： 关于 2025AGENT 智能体全球创作大赛： 1. 报名：通过→首页的“立即参赛”按钮进入报名页面，填写相关信息并提交即可，且参赛完全免费。 2. 提交作品：在本网站直接提交，若采用 flowith 搭建了 Agent 可以在微博、小红书、即刻平台发布，并@Flowith 官方，可获得额外会员奖励。 3. 奖项设置：设有金、银、铜奖和多个单项奖，获奖后将获得组委会颁发的奖金和证书，需保证联系方式准确以便联系。 4. 知识产权归属：参赛作品的知识产权归参赛者所有，但组委会有权在宣传和展示中使用参赛作品。
2025-04-12
AI workflow在企业中是否比Agent应用价值和场景更多
AI workflow 和 Agent 在企业中的应用价值和场景各有特点。 Agentic Workflows 具有以下优势： 1. 灵活性、适应性和可定制性：能够根据任务难度进行调整和演变，通过组合不同模式实现定制，在需求和复杂性增长时进行迭代升级。 2. 在复杂任务上的性能提升：将复杂任务分解为更小、可管理的步骤，显著优于确定性的零样本方法。 3. 自我纠正和持续学习：能够评估自身行为，完善策略，从过去经验中学习，在每次迭代中变得更有效和个性化。 4. 操作效率和可扩展性：可以高精度自动化重复任务，减少人工操作和运营成本，还能轻松扩展。 Agentic Workflow 的应用场景包括原子设计模式的组合、与人类反馈循环集成等。例如，Agentic RAG 在检索增强生成流程中引入了一个或多个 AI Agents，在规划阶段可进行查询分解等操作，还能评估数据和响应的相关性和准确性。 一般来说，Workflow 是一系列旨在完成特定任务或目标的相互连接的步骤。最简单的工作流是确定性的，遵循预定义步骤序列。有些工作流利用大模型或其他 AI 技术，分为 Agentic 和非 Agentic 两类。非 Agentic 工作流中，大模型根据指令生成输出。Agentic Workflow 是由单个或几个 AI Agents 动态执行的一系列连接步骤，被授予权限收集数据、执行任务并做出决策，利用 Agents 的核心组件将传统工作流转变为响应式、自适应和自我进化的过程。 综上所述，不能简单地说 AI workflow 在企业中比 Agent 应用价值和场景更多，这取决于企业的具体需求和任务特点。
2025-04-09
什么是agent？什么是workflow？他们的区别和界限
智能体（Agent）和工作流（Workflow）的定义及区别如下： 智能体（Agent）： 可以有多种定义。一些客户将其定义为能够长期独立运行的全自动系统，可使用各种工具完成复杂任务。 在 Anthropic 中，智能体是由 LLM 动态指导自身流程和工具使用的系统，能够自主控制任务完成方式。 工作流（Workflow）： 是通过预定义代码路径来编排 LLM 和工具的系统。 每个组块可以看成是一个函数，其中混杂了传统函数、调用第三方服务的函数和基于 LLM 的函数。 总的来说，智能体更强调 LLM 对自身流程和工具使用的动态指导和自主控制，而工作流则更侧重于通过预定义的代码路径来编排 LLM 和工具。
2025-03-21
AI Agent和Agentic Workflow的区别
AI Agent 和 Agentic Workflow 存在以下区别： AI Agent： 基本框架：由“LLM + 规划 + 记忆 + 工具使用”构成，大模型 LLM 充当“大脑”。 规划方面：包括子目标分解、反思与改进，将大型任务分解为较小可管理的子目标，能对过去行动进行自我批评和反思，从错误中学习并改进未来步骤。 记忆方面：用于存储和调用相关信息。 Agentic Workflow： 驱动角色工作流变革：使用多智能体协作的方法，让不同角色的 Agent 按照任务要求自主规划选择工具、流程进行协作完成任务。 涉及人机协同关系：生成式 AI 的人机协同分为嵌入式、副驾驶、智能代理 3 种产品设计模式，在不同模式下，人与 AI 的协作流程有所差异。 重塑获取信息的方式：如搜索引擎和基于大模型的聊天机器人在获取信息上目标一致，ChatGPT 的出现被认为将对传统搜索引擎带来颠覆。 包含多种设计模式：如反思、工具使用、规划、多智能体协同等。反思是让 Agent 审视和修正自己生成的输出；工具使用指 LLM 生成代码、调用 API 等工具进行操作；规划是让 Agent 分解复杂任务并按计划执行；多智能体协同是多个 Agent 扮演不同角色合作完成任务。
2025-03-19
comfyui workflow
ComfyUI 的工作流主要包括以下内容： 低显存运行工作流：目的是让 FLUX 模型能在较低显存情况下运行。分阶段处理思路为，先在较低分辨率下使用 Flux 模型进行初始生成，然后采用两阶段处理，即先用 Flux 生成，后用 SDXL 放大，有效控制显存使用，最后使用 SD 放大提升图片质量。工作流流程包括初始图像生成（Flux）阶段的 UNETLoader 加载 flux1dev.sft 模型、DualCLIPLoader 加载 t5xxl 和 clip_l 模型、VAELoader 加载 fluxae.sft 等步骤，以及图像放大和细化（SDXL）阶段的 CheckpointLoaderSimple 加载 SDXL 模型、UpscaleModelLoader 加载 RealESRGAN_x4.pth 用于放大等步骤。 工作流相关网站： Openart.ai：流量较高，支持上传、下载、在线生成，免费账户有 50 个积分，加入 Discord 可再加 100 积分，开通最低每月 6 美元套餐后每月有 5000 积分。 ComfyWorkflows 网站：支持在线运行工作流，实际下载量和访问量略少于 openart。 Flowt.ai：https://flowt.ai/community 提示词自动生成 ComfyUI 工作流：英伟达整了个花活，通过画图提示词自动生成匹配的 ComfyUI 工作流，命名为 ComfyGen（comfy 生成器），目前仅支持文生图模型。英伟达称其可以生成高质量的图并泛化到其他领域，做了对比测试，效果基本一致甚至更符合人类对提示词的判断和理解，与 C 站上人类写的提示词对比效果略胜一筹，但项目未开源。
2025-01-09
关于workflow有什么著名的论文
以下是一些关于 workflow 的著名论文或相关内容： 1. 5 月 9 日艾木分享的《Workflow》，其中包含关于 workflow 的理论探讨、对 AGI 的正确理解与思考、如何客观看待大语言模型的基础表现、人工智能在编程领域的应用及挑战、从提示词工程到 flow 工程：AI 在代码生成领域的研究与应用、人工智能在开源项目测试集中的表现与工作流的重要性、关于 workflow 的介绍与案例演示等内容。 2. 艾木的《如何用 Coze 制作一个信息检索 Bot（含 Workflow 的基础用法）》，提到 Coze 的 Workflow 为制作 Agents/Bots 提供很大的灵活性和便捷性，对 Workflow 中的函数进行了分类，并提出了超函数（Hyperfuction）的概念。 3. 2024 年 8 月 20 日的更新中，有《[AI Agent 产品经理血泪史（二）欲知方圆，则必规矩【Workflow 篇】》，聚焦于工作流（Workflow）在 AI 智能体中的重要性，回顾了集成平台的演变，探讨了工作流在自动化和手动编排中的应用以及如何提升灵活性以应对不断变化的需求。 4. 还有《[张梦飞：【全网最细】从 LLM 大语言模型、知识库到微信机器人的全本地部署教程》和《[ComfyUI 工作流：黑猴子悟空换脸报错解决大法》等相关内容。
2024-12-18
workflow使用指南
使用工作流的指南如下： 1. 创建工作流。 2. 配置工作流： 通过拖拽的方式将节点添加到画布内，并按照任务执行顺序连接节点。 工作流提供了基础节点供使用，还可以添加插件节点来执行特定任务。具体操作如下： 在左侧面板中选择要使用的节点。 将节点拖拽到画布中，并与其他节点相连接。 配置节点的输入输出参数。 3. 测试并发布工作流。 4. 在 Bot 内使用工作流： 前往当前团队的 Bots 页面，选择进入指定 Bot。 在 Bots 编排页面的工作流区域，单击右侧的加号图标。 在添加工作流对话框，在“我创建的”页面选择自建的工作流。 在 Bot 的人设与回复逻辑区域，引用工作流的名称来调用工作流。
2024-09-23
AI 衡量一个AI任务的指标是不是有准确率 和召回率 分别啥区别
在 AI 任务中，常见的衡量指标包括准确率和召回率。准确率（Accuracy）衡量的是模型预测正确的比例。而召回率主要用于信息检索等任务，衡量的是模型能够正确检索出相关内容的比例。 在摘要任务中，一般用 ROUGE 指标，其中 ROUGE2 是把两个 sequence 按 2gram 的方式做切分做频次统计，然后计算 pred 和 gt 之间的召回率。 对于不同的 AI 任务，还有其他多种指标，如在 NLP 中： 信息检索任务常用 NDCG@K 指标，核心衡量最相关文档是否排序足够靠前。 文本生成任务可用 BitsperByte 指标。 针对二分类任务，一般用 ECE 指标（Expected Calibration Error）来度量模型输出概率 p 时，最终正确率真的为 p 的一致性。 此外，还有一些其他方面的评估指标，如不确定性（Calibration and Uncertainty）、鲁棒性（Robustness，包括 invariance 和 equivariance）、公平性（Fairness）、偏见程度（Bias and stereotypes）、有毒性（Toxicity）等。 传统的 RAG 解决方案在检索效率和准确性上存在问题，Anthropic 通过“上下文嵌入”解决了部分问题，但 RAG 的评估仍待解决，研究人员正在探索新的方法，如 Ragnarök。 在提示词设计方面，Claude 官方手册提出“链式提示”的方法理念，将复杂任务拆解为多个步骤，具有准确率高、清晰性好、可追溯性强等好处。ChatGPT 官方手册也有类似理念，同时还有相关论文如在 ICLR 2023 上发表的提出 LeasttoMost Prompting 提示词策略的论文，在文本理解和生成场景中表现优秀。
2025-04-09
工作流 和 智能体的区别？
工作流和智能体的区别主要体现在以下几个方面： 定义： 工作流是通过预定义代码路径来编排 LLM 和工具的系统。 智能体则是由 LLM 动态指导自身流程和工具使用的系统，能够自主控制任务完成方式。 功能： 智能体是一个自动化的“助手”，用来执行特定任务，擅长做一些具体的、重复性的任务，比如客服聊天、推荐商品、处理订单等，但只能按照预先设定的规则和任务来做事，如果遇到超出范围的情况，就不知道怎么办了。 工作流是一系列任务的流程，决定了每个步骤应该做什么，可以处理一个完整的过程，比如从客户下单、付款到发货和售后服务，涵盖了所有步骤和环节，更灵活，能够适应变化，可以调整步骤和规则来应对不同的情况，不需要一开始就固定下来。 范围： 智能体是特定任务的“助手”，用于局部执行任务。 工作流是一个“计划”或“路线图”，指导整个任务的流程。简单说，工作流是全局的，智能体是局部的。 在业务中，通常需要的是工作流而非单个智能体，因为整个业务流程设计至关重要。例如，在烹饪中，关键不在于使用多贵的锅，而是按步骤完成每道工序。因此，工作流才是解决问题的关键，它帮助优化思路、提升效率。设计好工作流才能大幅提升整体业务效率。
2025-04-08
在ai context中，token和word的区别是？
在 AI 领域中，Token 和 Word 有以下区别： 定义和范围：Token 通常是大语言模型处理文本数据时的一个单元，在不同语境下，可能代表一个字、一个词、一个句子、标点、词根、前缀等，更加灵活。而 Word 一般指能够表达一定意义的独立单位，如单词。 语言处理：在英文中，一个 Word 通常是一个词或标点符号。在一些汉语处理系统中，一个 Word 可能是一个字或一个词。而 Token 在不同的语言模型和处理系统中，对应的范围和形式有所不同。 作用和意义：Token 不仅是文本数据的单位，还可能携带丰富的语义、句法等信息，在模型中有着对应的向量表示。Word 主要用于传达相对明确和完整的意义。 计算和收费：大模型的收费计算方法以及对输入输出长度的限制，通常是以 Token 为单位计量的。 例如，在处理“ I’m happy ”这句话时，“I”、“’m”、“happy”可能被视为 Token，而“I’m happy”整体可看作一个 Word 。
2025-04-08
AI chatbot、agent、copilot区别
AI chatbot、agent、copilot 主要有以下区别： 1. 定义和角色： Copilot：翻译成副驾驶、助手，在帮助用户解决问题时起辅助作用。 Agent：更像主驾驶、智能体，可根据任务目标自主思考和行动，具有更强的独立性和执行复杂任务的能力。 Chatbot：具备基本对话能力，主要依赖预设脚本和关键词匹配，用于客户服务和简单查询响应。 2. 核心功能： Copilot：更多地依赖于人类的指导和提示来完成任务，功能很大程度上局限于在给定框架内工作。 Agent：具有更高的自主性和决策能力，能够根据目标自主规划整个处理流程，并根据外部反馈进行自我迭代和调整。 3. 流程决策： Copilot：处理流程往往依赖于人类确定的静态流程，参与更多是在局部环节。 Agent：解决问题的流程由 AI 自主确定，是动态的，不仅可以自行规划任务步骤，还能根据执行过程中的反馈动态调整流程。 4. 应用范围： Copilot：主要用于处理简单、特定的任务，更多是作为工具或助手存在，需要人类引导和监督。 Agent：能够处理复杂、大型的任务，并在 LLM 薄弱的阶段使用工具或 API 等进行增强。 5. 开发重点： Copilot：主要依赖于 LLM 的性能，开发重点在于 Prompt Engineering。 Agent：同样依赖于 LLM 的性能，但开发重点在于 Flow Engineering，即在假定 LLM 足够强大的基础上，把外围的流程和框架系统化。 以下是一些 Agent 构建平台： 1. Coze：新一代一站式 AI Bot 开发平台，适用于构建基于 AI 模型的各类问答 Bot，集成丰富插件工具。 2. Mircosoft 的 Copilot Studio：主要功能包括外挂数据、定义流程、调用 API 和操作，以及部署 Copilot 到各种渠道。 3. 文心智能体：百度推出的基于文心大模型的智能体平台，支持开发者根据需求打造产品能力。 4. MindOS 的 Agent 平台：允许用户定义 Agent 的个性、动机、知识，以及访问第三方数据和服务或执行工作流。 5. 斑头雁：2B 基于企业知识库构建专属 AI Agent 的平台，适用于多种场景，提供多种成熟模板。 6. 钉钉 AI 超级助理：依托钉钉强大的场景和数据优势，在处理高频工作场景方面表现出色。 以上信息由 AI 大模型生成，请仔细甄别。
2025-04-07
人工智能搜索与百度搜索的区别
人工智能搜索与百度搜索存在以下区别： 1. 底层技术：人工智能搜索的底层技术常包括“RAG”，即“检索增强生成”，包括检索、增强和生成三个步骤。而百度搜索的技术构成相对复杂，不断融合新的技术和功能。 2. 发展路径：在中国市场，相较欧美，百度作为搜索巨头已将文心一言大模型融入搜索，提供对话式回答和创作功能。同时，市场上还涌现出如秘塔 AI 搜索等创新型产品，主打“无广告，直接答案”，提供结构化结果和引用来源等特色功能。 3. 产品更新与竞争态势：Google 仍在战斗前线密集释放技能，与其他公司竞争激烈。而百度在新模型发布方面相对较少。此外，Google 推出新功能曾引发大量用户不满，而百度的相关新功能在页面布局和使用体验上更靠近某些特定产品，并聚合了多种创作能力和智能体快捷调用窗口。百度文库也上线了“AI 全网搜”功能，打通了特定工作流，产品功能较为完整，但受限于模型能力，生成内容尚有提升空间。
2025-04-01
用ai建立知识库和直接使用ai有什么区别、
用 AI 建立知识库和直接使用 AI 主要有以下区别： 直接使用 AI 时，AI 生成的内容可能较为笼统模糊，就像遇到只会说“很急，今天就要”却不提供具体指导的领导。若想让 AI 成为得力助手，需对复杂任务进行拆解，提供方法论和定义输出格式。 建立知识库就如同为 AI 准备了“教科书”。知识库灵活，但偶尔会出现查不到内容而“猜题”的情况。例如，将《梦想与颠覆》卡牌等相关内容导入作为 AI 可调用的知识库，后续在创作中激活知识库，AI 会根据场景自动匹配库内素材，使输出更具针对性。 相比之下，微调类似于让 AI“自己真的学会了整本书”，答题更快更准，但训练成本高。微调适合高精度、长期任务，而知识库更适合临时查找、快速问答。
2025-03-30