论文阅读高手 · 从2022年开始溯源的Agent起点 · 小综述
[Reasoning 1] Chain-of-Thought Prompting Elicits Reasoning in Large Language Models ArXiv 2201.11903 Intro In-Context Learning已经发现模型会根据few-shot示例进行模式上的模仿 对于比较简单的任务有效，面对复杂的数学题等，模型参数加大也无法取得很好的效果 ...
Agent
转生为Agent高手(三) Multi-agent research system. How and Avoid
Anthropic — How we built our multi-agent research system Don’t Build Multi-Agents | Cognition 这次我们同时看两篇文章，进行对照 Intro reseach型任务的特点： 很难提前预测所需的步骤 无法有既定的路线，在探索过程中的思路涌现会带来新的分支 这类任务需要从海量的信息中搜索出关键内容（本质是压缩） ...
转生为Agent高手(二) Anthropic - Effective context engineering for AI agents
context engineering：系统性地设计、构建和优化提供给语言模型的所有上下文信息，目的是引导模型产生更准确、更可控的输出 人话：什么样的上下文最有可能让我们的模型产生期望的行为 ...
转生为Agent高手(一) Anthropic - Building Effective Agents
Building Effective AI Agents — Anthropic What Workflow和Agent的差异还是很大的 Antropic将其都归纳为一个Agentic Systems Workflow：由代码决定每一步应该做什么，LLM只是其中的一环 Agent：LLM自主决定每一步应该做什么 When and When Not Timing Antropic并不建议什么情况下都去做一个复杂的Agentic System ...