AI Agent在问答与排障中的实践探索

前言
人工智能时代已然到来，它不仅深刻地改变了我们的日常生活，比如通过智能助手安排日程、利用推荐系统享受个性化服务，还极大地推动了各行各业的创新与发展。从医疗健康到环境保护，从智能制造到金融服务，AI的应用正在不断拓宽边界，提升效率与精准度。

什么是 AI Agent？
根据丹尼尔·卡尼曼的著作《思考，快与慢》，人类的思维可以分为两大系统：系统1和系统2。系统1负责直觉式的快速思考，这种思考往往是无意识的；而系统2则擅长进行有意识的逻辑推理和主动控制。

在探讨大型模型的思维能力时，我们首先可以观察到，这些大模型可能具备了类似人类的分析问题能力，它们能够理解、分析和解决复杂问题。进一步地，人类与动物的一个重要区别在于人类擅长创造和使用工具。随着大模型认知能力的不断提升，当它们遇到自身不擅长的领域时，这些大模型可能会展现出一种类似于人脑使用工具的能力——即寻找并利用适当的工具来解决问题，而不是直接依靠自身能力去解决。

基于RAG的知识问答实践
RAG核心流程 & 实践挑战
问答助手：基于RAG技术实现问答助手，特别是针对测试环境场景的一些常见问题，回答失败原因以及解决思路

RAG（Retrieval-Augmented Generation）结合检索（Retrieval）和生成（Generation）的AI模型架构
初级RAG主要包含以下几个流程：

1. 建立索引：数据清洗并分块，将分块后的知识通过Embedding模型产出语义向量并建立索引；
2. 检索：通过用户query使用相同的Embedding模型，检索上下文；
3. 生成：将给定问题和相关文档合并为新的提示，由LLM基于提供的信息回答问题。
   

RAG通过检索现有大量知识结合强大的生成模型，为复杂的问答带来全新的解决方案，而在产品建设过程中遇到诸多挑战：

1. 数据质量差导致检索效果差：检索阶段的输出影响生成阶段的输入和最终的输出质量。RAG数据库中存在大量的错误信息并检索到，可能导致模型生成的错误，即使在检索阶段做大量工作，可能对结果的影响也微乎其微。
2. 数据向量化的信息缺失：数据向量化缺失可能会导致一定程度的信息损失，文本数据的复杂性和多样性很难用有限的向量来完全表达，导致向量化后可能会缺失一些文本数据的细节和特征，从而影响文档检索的准确率。
3. 大模型生成效果差：没有利用好提示词，导致大模型回答效果不尽人意。

构建高质量知识库
在构建知识库的时候，因为直接使用了未经过处理的记录表格作为知识库输入，发现RAG回答效果很差

结构化知识库：
1.调整知识库的结构：将知识库的内容简化为（Q问题，A解答），避免噪声干扰
2.文档分割策略：按行分割，保证每行的QA记录能够独立分割开来

增强检索能力
在召回测试当中，一些极低分数的分段文本知识也会被召回，就会导致回答的效果下降

优化迭代检索参数

1. 确定检索方式
   ¢ 全文检索：工作原理是通过在文档中进行关键词匹配，缺乏对语义的理解
   ¢ 向量检索：通过计算向量距离，实现语义匹配检索。当查询语义比较复杂或模糊时，向量检索无法准确理解用户的意图，会导致准确率降低
   ¢ 混合检索：结合了全文搜索和向量搜索的优势
2. 确定Rerank（重排序）模型参数
   ¢ TOPK：需要检索到检索分数排名多少的分段结果
   ¢ 分数阈值：只召回多少检索分数以上的结果
   

多级检索，提升召回准确率
有时候因为提问的问题其实非常的简短，仅仅依靠问题的嵌入匹配，召回分数会比较低，最好的方式是能够先通过对问题做向量检索

• 一级检索：只针对问题进行检索；
• 二级检索：检索响应的QA知识文本分段；
  

利用好提示词
提示工程 (Promot Enoineeing)当我们能够检索到足够准确的文本分段之后，接下来的任务就是引导大模型生成符合预期的回答，在这一过程中，利用好提示词显得非常重要。如下所示，是一个提示词框架以及一个提示词示例（引导大模型帮助解析json字符串的字段），可以让大模型得到更加清晰的指令，按照我们的预期采取行动

基于Function call的排障助手实践
排障助手：RAG问答助手在测试过程中能够高效解决常见问题。为了进一步提升问题排查的效率，于是利用AI技术，特别是基于大模型的Function call能力，实现了一款能够协助自动排查测试问题的AI助手

大模型Agent：能够模拟独立思考过程，灵活调用各类工具，逐步达成预设目标的智能体

在实践的过程中，我们面临两个问题：

1. 当我们在实现基于大模型Function call能力调用的时候，很多情况下可能需要调用多次才能解决我们的问题， 如何实现多轮调用？
2. 单一智能体是否真的能满足我们面对的复杂的 测试场景的问题排障？
   如何实现多轮调用？
   利用React架构，可以帮助我们实现Function call的多轮调用。

Reason and Act（ReAct）是一种人工智能技术框架，ReAct结合了推理和行动，通过交替执行一系列步骤（重复N次）——思考、行动和观察，使LLM能够解决复杂的任务。
ReAct框架的核心组件：
 Thought（思考）：Agent在做决策的思考过程
 Action（行动）：Function call调用
 Observation（观察）：工具调用的反馈信息，帮助大模型进一步决策

单一智能体排障场景下的局限性
局限性：当采用基于React框架的Agent，让大模型多次调用接口去帮助我们排查放款失败问题的时候，一切看起来似乎符合我们的预期，但是当我们希望通过设计这个Agent再去排查预审失败等等其他问题的时候，出现了问题

1. 迭代能力受限：无法在处理一个任务的时候迭代足够多的工具调用
2. 工具数量有限：能够使用的工具有限，无法同时排查多个问题
3. 影响模型回复时效：每次请求携带大量工具信息，模型需要理解所有工具信息进行决策
4. 消耗tokens：当我只想要排查放款失败，同样也会把用于排查预审失败的工具信息带上，造成不必要的tokens消耗

多智能体架构（Multi-Agent Architecture）
突破单一智能体的局限，根据任务需求动态地调用不同的智能体

1.高效迭代：动态地组合不同的工具，更高效的迭代过程
2.突破工具限制：每个智能体包含特定的工具集，扩展了系统的工具数量
3.加速模型响应：减少了模型在每次请求中需要理解和处理的数量
4.减少token消耗：避免了携带不必要的工具信息

展望未来
AI Agent 将不仅仅局限于解决问题的执行层面，而是将进一步深入到如何解决问题的规划层面。

在工作场景中，我们对 AI Agent 的期待包括：

1. 连续执行：Agent 能够对用户的任务指令进行拆解，分解为多个步骤，对这些步骤进行规划排序并连续执行。
2. 完成复杂任务：目前 Agent 只能解决单个或少数简单任务，未来期望能够处理多个复杂任务。
3. 多步骤规划：Agent 在执行后续步骤的同时，能够保持对任务目标和前序任务的记忆，具备强大的步骤规划执行能力。

作者简介
Alex，基础框架研发资深工程师

招聘信息

拍码场