پرش به محتویات

نود عامل AI ReAct#

نود عامل ReAct منطق ReAct را پیاده‌سازی می‌کند. ReAct (استدلال و عمل) توانایی‌های استدلال زنجیره‌ای و تولید برنامه‌های عملیاتی را ترکیب می‌کند.

عامل ReAct درباره یک وظیفه مشخص استدلال می‌کند، اقدامات لازم را تعیین می‌کند، و سپس آن‌ها را اجرا می‌نماید. این فرآیند شامل چرخه استدلال و عمل است تا زمانی که وظیفه را کامل کند. عامل ReAct می‌تواند وظایف پیچیده را به زیر وظایف کوچک‌تر تقسیم کند، آن‌ها را اولویت‌بندی کند، و یکی یکی اجرا کند.

برای اطلاعات بیشتر درباره خود نود عامل AI، به عامل AI مراجعه کنید.

/// یادداشت | بدون حافظه عامل ReAct از زیرنودهای حافظه پشتیبانی نمی‌کند. این بدان معناست که نمی‌تواند prompts قبلی را به یاد آورد یا گفتگوی در حال انجام را شبیه‌سازی کند. ///

پارامترهای نود#

از پارامترهای زیر برای پیکربندی عامل ReAct استفاده کنید.

Prompt#

انتخاب کنید که می‌خواهید نود چگونه درخواست (همچنین شناخته شده به عنوان ورودی کاربر یا پرسش در چت) را بسازد.

انتخاب کنید از:

  • برداشتن خودکار از نود قبلی: اگر این گزینه را انتخاب کنید، نود انتظار ورودی از نود قبلی به نام chatInput را دارد.
  • تعریف در زیر: اگر این گزینه را انتخاب کنید، متن استاتیک یا یک عبارت برای محتوای دینامیک را در فیلد درخواست (پیام کاربر) وارد کنید.

نیازمند قالب خروجی خاص#

این پارامتر مشخص می‌کند که آیا می‌خواهید نود به فرمت خاصی از خروجی نیاز داشته باشد یا نه. زمانی که فعال باشد، n98n از شما می‌خواهد یکی از این پارسرهای خروجی را به نود وصل کنید:

  • پارسر خروجی خودکار اصلاح‌شونده
  • پارسر خروجی فهرست آیتم‌ها
  • پارسر خروجی ساختاریافته
     1
     2
     3
     4
     5
     6
     7
     8
     9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    ## گزینه‌های نود
    
    از گزینه‌ها برای ایجاد یک پیام به منظور ارسال به عامل در ابتدای گفتگو استفاده کنید. نوع پیام بستگی به مدلی دارد که استفاده می‌کنید:
    
    * **مدل‌های چت**: این مدل‌ها مفهوم سه عنصر (AI، سیستم، و انسان) را دارند. آن‌ها می‌توانند پیام‌های سیستمی و پیام‌های انسانی (promptها) را دریافت کنند.
    * **مدل‌های راهنمایی**: این مدل‌ها مفهوم بخش جداگانه AI، سیستم، و انسان را ندارند. آن‌ها یک متن واحد، پیام راهنمایی دریافت می‌کنند.
    
    ### قالب پیام انسان
    
    از این گزینه برای گسترش prompt کاربر استفاده کنید. این یک روش برای انتقال اطلاعات از یک تکرار به تکرار دیگر است.
    
    عبارات قابل استفاده در LangChain:
    
    * `{input}`: حاوی prompt کاربر.
    * `{agent_scratchpad}`: اطلاعاتی که باید برای تکرار بعدی به خاطر سپرده شود.
    
    ### پیام پیشوندی
    
    متنی وارد کنید که قبل از لیست ابزارها در ابتدای گفتگو قرار گیرد. نیاز نیست لیست ابزارها را اضافه کنید. LangChain به طور خودکار لیست ابزارها را اضافه می‌کند.
    
    ### پیام پسوندی برای مدل چت
    
    متنی اضافه کنید که بعد از لیست ابزارها در ابتدای گفتگو قرار گیرد، هنگام استفاده عامل از مدل چت. نیاز نیست لیست ابزارها را اضافه کنید. LangChain به طور خودکار لیست ابزارها را اضافه می‌کند.
    
    ### پیام پسوندی برای مدل عادی
    
    متنی اضافه کنید که بعد از لیست ابزارها در ابتدای گفتگو قرار گیرد، هنگام استفاده عامل از مدل معمولی/راهنمایی. نیاز نیست لیست ابزارها را اضافه کنید. LangChain به طور خودکار لیست ابزارها را اضافه می‌کند.
    
    ### بازگردانی مراحل میانی
    
    
    انتخاب کنید که آیا مراحل واسطه‌ای که عامل انجام داده است در خروجی نهایی گنجانده شود (روشن) یا خیر (خاموش).
    
    این می‌تواند برای اصلاح بیشتر رفتار عامل بر اساس مراحلی که اتخاذ کرده است مفید باشد.
    

منابع مرتبط#

برای اطلاعات بیشتر، به مستندات عامل‌های ReAct در LangChain مراجعه کنید.

قالب‌ها و نمونه‌ها#

برای نمونه‌ها و قالب‌های نود عامل AI به بخش قالب‌ها و نمونه‌ها مراجعه کنید.

مسائل رایج#

برای سوالات یا مشکلات رایج و راه‌حل‌های پیشنهادی، به مسائل رایج مراجعه کنید.

واژگان مورد استفاده در هوش مصنوعی#

  • کامل‌شدن: پاسخ‌هایی هستند که توسط مدلی مانند GPT تولید می‌شوند.
  • توهمات: توهم در هوش مصنوعی هنگامی است که یک مدل زبانی بزرگ (LLM) نادرست تصور می‌کند الگوها یا اشیائی وجود دارند که واقعاً وجود ندارند.
  • پایگاه داده وکتور: پایگاه داده وکتور نمایه‌های ریاضی اطلاعات را ذخیره می‌کند. از آن در کنار جاسازی‌ها و بازیاب‌ها برای ساختن یک پایگاه داده که هوش مصنوعی شما می‌تواند هنگام پاسخگویی به سوالات به آن مراجعه کند، استفاده می‌شود.
  • مخزن وکتور: مخزن وکتور، یا پایگاه داده وکتور، نمایه‌های ریاضی اطلاعات را ذخیره می‌کند. از آن در کنار جاسازی‌ها و بازیاب‌ها برای ساختن یک پایگاه داده که هوش مصنوعی شما می‌تواند هنگام پاسخگویی به سوالات به آن مراجعه کند، استفاده می‌شود.