-
了解工作流对大模型进行高质量工作的辅助意义
-
学会复现吴恩达博士的翻译工作流开源项目
-
了解构成大模型工作流系统的关键元素
-
学会搭建一个更复杂的业务场景工作流
代码能力要求：中，AI/数学基础要求：低
-
有编程基础的同学
- 能够自己动手实现一套复杂的大模型工作流
-
没有编程基础的同学
- 可以关注和理解工作流对于大模型应用的意义、关键元素和构建思路
- 不需要复杂编程知识，可以尝试复现简单的翻译工作流
上传两张图，第一张图中任务流程有输入输出，存在模型请求和条件判断，有循环，讨论该图是工作流还是智能体；
展示第二张图，指出其为智能体，并解释工作流和智能体的特点；
-
工作流的特点: 以完成特定任务为目标，基于任务流程进行编排规划，重视业务流程和直接产品； 工作流程中使用了模型，模型输出结果只是过程中的一个数据结果，以业务逻辑为导向；
-
智能体的特点: 尝试构建解决问题的原方法，完成泛化任务，更重视任务处理的原方法的合理性，追求自身结构合理性
-
工作流和智能体的关系: 认为工作流和智能体不是完全对立的状态，工作流可以包含智能体，智能体也可以被视作一种工作流 一个工作人员可以使用多个智能体，多智能体框架在寻找配合的原方法，在业务工作中可构建新逻辑链解决问题；
-
为什么需要工作流: 从职场角度讨论，思考有些人工作表现好或不好的相关要素；
-
大模型应用的相关因素: · 反应速度更快； · 理解能力更强； · 有相关经验，学过相关学科，在理论和实践上能力都很强； · 这些因素会影响大模型应用的效果；
-
大模型应用中的能力: · 对输入信息的理解、推理、规划能力，如理解交通法规、完成论文等写作任务； · 上下文学习能力，即对输入信息的补充知识进行学习； · 文字生成的创作风格；
-
大模型应用的局限性: · 模型是预训练的，对训练语料之外的信息不了解，如询问新闻时无法回答； · 模型在特定系统中，如订单系统中，若不提供相关信息，无法完成任务；
-
大模型应用中的控制能力: · 需要将模型与业务逻辑结合，通过控制方式将信息传递给模型，如处理订单任务时需告知相关信息； · 对模型的输出有进一步要求，如回答用户是否为售后问题时，工程上需要简单的真假值，而自然语言处理可能不符合要求； · 在执行过程中涉及输出格式控制，如通过思维链控制等方法提高模型输出质量时，可能与工程产生冲突；
-
大模型应用中的多次请求控制: · 模型可能会进行多步请求，如第一次请求结果不理想时会进行调整； · 涉及到多次层的控制，如多轮自我优化反思和复杂任务的执行过程编排；
-
大模型应用中的工作流: · 能够帮助解决大模型应用中的一些问题，将工作任务拆分成多个工作节点； · 能够进行数据传递和任务编排，如新闻信息检索中需要先完成大纲才能进行后续操作；
-
大模型应用的实例: · 直接请求模型的效果可能不适用实际业务场景，如退货问题的常规回答不符合电商平台需求； · 使用工作流可以更好地编排任务，如售后问题中先进行响应和安抚，再进行更适合的处理。
-
开源翻译工作流项目的具体内容: · 项目中三个关键代码，第一个是initial translation，做了两件关键事情，一是说明模型当前扮演的角色，二是写了system的message，给定原始语种和目标语种，给出翻译任务并要求根据原始语种给出目标语种的翻译，不要做无关解释，接下来给定source text，用户以特定方式给出，工作结果是列出翻译结果；
· 第二个代码做了一轮对上一轮翻译的反思，除说明是语言学家外，还提供原始文本和翻译，目标是改进翻译，给出改进意见，这里有编码冗余，进行了是否有国别的判断，特定地区时语种要更符合当地口语化表达，需仔细阅读原始文本和提供的翻译内容并给出相关建议，结果是一堆改进建议；
· 第三个代码是回到最初始的语言学家，看到第一轮的原始文本、出发文本和改进建议，进行最终翻译；
· 主调用函数的输入变量包括原始语种、目标语种、原始文本和是否有特定国别的处理，通过多轮函数调用和参数传递构建起最简单的三步直线链条，整个思路强调在模型使用过程中，很难通过直接依赖大模型和prompt的组合完成高质量工作，可考虑利用特定场景下的步骤编排、输入输出传递的方式完成更好任务；
-
工作流复线及框架的使用: · 读完代码后看整个项目思路，是让模型完成首轮翻译后自我反思修正，提升文本最终翻译质量； · 探讨用框架完成工作流复线的问题，什么时候应该使用框架，什么时候不应该使用或没必要使用，如存在复杂逻辑、数据等待、中间状态存储，需要做更复杂条件判断，手写代码难维护，编码过程中思路整理和结构体系需要更好的书写规范结构时，就需要使用框架；