Capítulo 6. Agentes autónomos conmemoria y herramientas
Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com
Este capítulo profundiza en la importancia del razonamiento en cadena y en la capacidad de los grandes modelos lingüísticos (LLM) para razonar a través de problemas complejos como agentes. Al descomponer los problemas complejos en componentes más pequeños y manejables, los LLM pueden ofrecer soluciones más completas y eficaces. También aprenderás sobre los componentes que forman los agentes autónomos, como las entradas, las funciones de objetivo o recompensa y las acciones disponibles.
Cadena de pensamiento
La capacidad de la IA para razonar sobre problemas complejos es esencial para crear aplicaciones eficaces, fiables y fáciles de usar.
El razonamiento en cadena (CoT) es un método de guiar a los LLM a través de una serie de pasos o conexiones lógicas para llegar a una conclusión o resolver un problema. Este enfoque es especialmente útil para tareas que requieren una comprensión más profunda del contexto o múltiples factores a tener en cuenta.
El CoT pide a un LLM que piense en problemas complejos, dividiéndolos en componentes más pequeños y manejables. Esto permite al LLM centrarse en cada parte individualmente, garantizando una comprensión más profunda del problema en cuestión.
En la práctica, el razonamiento en cadena puede implicar:
-
Pedir a un LLM que explique sus decisiones
-
Planificar múltiples pasos ...
Get Ingeniería Prompt para la IA Generativa now with the O’Reilly learning platform.
O’Reilly members experience books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.
