文章目录
- 调研：如何实现智能分析助手（Agent）（AutoCoder、FastGPT、AutoGen、DataCopilot）
- 一、交互流程
- 二、数据流程
- 三、架构分类
- 四、开源产品
- 4.1 AutoCoder（知识库变体）
- 4.2 FastGPT（知识库实现）
- 4.3 AutoGen（多 Agent 交互）
- 4.4 Data Copilot（任务规划）
- 5 参考链接
调研：如何实现智能分析助手（Agent）（AutoCoder、FastGPT、AutoGen、DataCopilot）
一、交互流程
二、数据流程
企业聊天应用的后端通常遵循以下类似的流程[1]：
1.用户在自定义聊天用户界面（UI）中输入一个提示
2.该提示通过界面代码发送到后端
3.后端从提示中提取用户意图（问题或指令）
4.后端确定需要访问的数据存储（与用户提示相关）（可选）
5.后端查询相关的数据存储
6.后端将意图、相关基础数据和提示中提供的任何历史记录发送给大型语言模型（LLM）
7.后端将结果返回，以便可以在用户界面上显示
三、架构分类
上图的架构分类参考[2,3]：
四、开源产品
4.1 AutoCoder（知识库变体）
-
利用LLM对元数据进行提取[13]，后续将提取出的元数据作为业务知识拼接到prompts中使用
-
适用场景：知识比较少的场景
4.2 FastGPT（知识库实现）
- 上图是源码[14] insertData2DataSet方法的时序图
4.3 AutoGen（多 Agent 交互）
上图来源于[9]，场景描述如下：
-
多Agent交互：有两个Agent，其中User Proxy Agent代表人与Assistant Agent交互
-
代码自动生成：生成在沙箱环境，代码互相隔离
4.4 Data Copilot（任务规划）
上图来源于[10]，关注概念：
- self-request：prompt_intent_detection[11]、prompt_task[12]
5 参考链接
[1] baseline-openai-e2e-chat
[2] chatbot-architecture
[3] how-do-chatbots-work
[4] AI+BI：结合大语言模型实现对话式的智能报表系统
[5] 从长期记忆的角度谈Agent
[6] Prompt调试及知识库使用调研
[7] NoCoding-BatchDataQualityConfig
[8] 十分钟用LangChain做一个源代码阅读助手
[9] Step By Step AutoGen by Microsoft
[10] Data-Copilot: 大语言模型做你最贴心省事的数据助手
[11] Data-Copilot: prompt_intent_detection
[12] Data-Copilot: prompt_task
[13] AutoCoder: 索引构建
[14] FastGPT：索引构建
)
