将 Agent 嵌入工作流

构建 LLM 应用时，我们常面临工作流与 Agent 范式之间的选择。工作流提前定义执行序列，应用清晰易控，适合已知操作步骤的场景；而 Agent 范式则根据目标自主决定行动路径，灵活适应不确定性，但牺牲部分可控制性。在实践中，许多应用其实包含两种工作需求：部分阶段执行已知的转换，适合工作流；另一些阶段则需根据中间结果动态调整，更适合 Agent 方式。因此，一种混合工作流与 Agent 的模式更为合理。本文通过一个具体案例——构建一个辅助算法选择和超参数调优的 LLM 应用——来展示这种混合模式。应用整体流程固定，分为三个阶段：首先，用单个 LLM 调用将建模请求转为包含目标、评估指标和交叉验证设置的任务简报；其次，在中间阶段引入 Agent，由它动态选择分类器配置、进行实验评估并持续探索以寻找最优模型和超参数；最后，再用单个 LLM 调用将实验报告、试验历史与推荐结果整理成结构化总结报告。这样，我们既保留了工作流的清晰可控，又引入了 Agent 实验的灵活性。 #LLM #Agent #工作流 #超参数调优 #分类问题 #AI应用

AI 智能体定价争议

随着人工智能技术的快速发展，AI 智能体的定价问题成为行业内的热门争议。据 Moomoo 报道，目前各方对于 AI 智能体应如何定价尚无统一标准，导致市场出现混乱局面。开发者、企业与用户之间在成本、功能与价值评估上存在巨大分歧，部分公司试图通过订阅模式或按使用量收费，但缺乏透明度和可预测性。这种价格不确定性不仅影响了AI服务的普及，还可能阻碍创新与合作。分析人士指出，若无行业共识，长期来看将加剧市场碎片化，损害用户体验和生态健康发展。 #AI智能体 #定价 #市场混乱 #科技 #行业争议