Aufbau von Machine-Learning-Systemen mit einem Feature Store

Kapitel 12. Agenten und LLM-Workflows

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

LLM-Workflows und Agenten sind leicht zu erkennen, da es sich um KI-gestützte Dienste handelt, die eine API für natürliche Sprache bereitstellen. Die ersten LLM-basierten Chatbots waren einfache Wrapper für LLMs. Sie konnten jedoch keine Fragen zu Ereignissen beantworten, die nach ihrem Trainingsstichtag stattfanden. Daher entwickelten sie sich schnell zu komplexen mehrstufigen Engines, die sogar Fragen zu aktuellen Ereignissen beantworten können, indem sie Vektorindizes, Suchmaschinen, Feature Stores und andere Datenquellen nutzen, um den Eingabeaufforderungen Kontextinformationen hinzuzufügen.

Mit Hilfe von Tools und neuen Protokollen haben sich LLM-Workflows zu Agenten gewandelt, die über ein gewisses Maß an Autonomie bei der Planung und Ausführung von Aufgaben zur Erreichung von Zielen verfügen. Agenten sind mehr als nur LLM-Wrapper. Sie können externe Tools nutzen, haben ein Gedächtnis und können Strategien planen, um Ziele zu erreichen. Agenten sind meist interaktive Dienste, aber es gibt auch Hintergrundagenten, die Aufgaben selbstständig ausführen und Routineaufgaben wie die Ausführung von Workflows, die Prozessoptimierung und die proaktive Wartung automatisieren.

In diesem Kapitel tauchen wir tief in die Welt der Erstellung von LLM-Workflows und -Agenten ein. Wir lernen die Kunst des Context Engineering ...