Part3-实现一个agent

写在前面

前一篇文章提到了如何为ChatGPT/LLM大语言模型添加额外知识，其中第3点“通过langchain这个chatgpt编程框架来给chatgpt赋能。 langchain可以将不同的工具模块和chatgpt给链接（chain）起来”。今天我们要做一个类似于langchain功能的微小智能体，去完成这个目标。

实现框架

拥有大模型加持的智能代理会是什么样？作者们受到达尔文「适者生存」法则的启发，提出了基于大模型的智能代理通用框架。一个人如果想要在社会中生存，就必须学会适应环境，因此需要具有认知能力，并且能够感知、应对外界的变化。同样，智能代理的框架也由三个部分组成：控制端（Brain）、感知端（Perception）和行动端（Action）。

控制端：

通常由 LLMs 构成，是智能代理的核心。它不仅可以存储记忆和知识，还承担着信息处理、决策等不可或缺的功能。它可以呈现推理和计划的过程，并很好地应对未知任务，反映出智能代理的泛化性和迁移性。

感知端：

将智能代理的感知空间从纯文本拓展到包括文本、视觉和听觉等多模态领域，使代理能够更有效地从周围环境中获取与利用信息。

行动端：

除了常规的文本输出，还赋予代理具身能力、使用工具的能力，使其能够更好地适应环境变化，通过反馈与环境交互，甚至能够塑造环境。

功能步骤

构建大模型：

这一步是开发控制端，本文使用的是书生浦语的模型：internlm2-chat-7b，internlm2-chat-20b，部署参数：24GB的显卡，推算逻辑如下：书生浦语 7B，就是7,000,0