LLM 에이전트: 0에서 1로
LLM 에이전트는 피드백을 처리하고, 기억을 유지하고, 향후 조치에 대한 전략을 세우고, 다양한 도구와 협력하여 정보에 입각한 결정을 내릴 수 있기 때문에 생성 AI 공간에서 상당한 추진력을 얻고 있습니다.
LLM 에이전트에 대해 더 자세히 알아보고 싶거나 자신만의 에이전트를 만들고자 했다면 이 로드맵이 바로 당신을 위한 것입니다!
로드맵
1일차: 상담원 소개
2일차: 핵심 구성요소
3일차: 다중 상담사 및 평가
- AI 혁명: 다중 에이전트 대형 언어 모델의 시대 - Gary Fowler (링크)
- 다중 에이전트 LLM 애플리케이션 |
- 딥러닝.AI를 통해 LLM 에이전트를 구축, 평가 및 반복하는 방법(링크)
- 에이전트 평가를 위한 벤치마크(아무거나 읽어보세요):
- 이글루
- 클렘벤치
- 공구벤치
- 젠트벤치
4일차 - 실제 에이전트
Harrison Chase - LangChain 우한자의 에이전트 마스터클래스(링크)
LangChain의 Harrison Chase와 AI 에이전트의 다음 단계는 무엇입니까(링크)
Parcha CEO AJ Asver와 함께 실제 놀이를 확장하는 AI 에이전트 확장(링크)
인기 있는 실제 에이전트에 대해 알아보세요(아무거나 읽어보세요):
- BabyAGI(링크)
- OS-Copilot: 자기 개선을 통한 일반 컴퓨터 에이전트를 향하여(링크)
이 Github를 사용하여 에이전트에 대한 최신 연구를 확인하세요(참고용으로만 사용하세요. 모든 내용을 비교할 필요는 없습니다).
- awesome-ai-에이전트
5일차 - 나만의 에이전트 구축
다음 리소스 중 하나를 선택하고 해당 리소스의 구현 가이드에 따라 시작하세요.
- 에피소드 #1: LLM 에이전트 소개: Neurons Lab의 RAG가 충분하지 않은 경우(링크)
- AI 에이전트로 무엇이든 구축하세요. David Ondrej의 방법은 다음과 같습니다(링크)
- VRSEN의 초보자를 위한 AI 에이전트 구축을 위한 전체 가이드(링크)
- 메모리를 갖춘 LangChain 맞춤형 의료 에이전트 구축 - ****Sam Witteveen(링크)
- Langchain Agents [2024 업데이트] - 초보자 친화적 작성자: Ryan Nolan Data(링크)
- Deeplearning.AI의 LangGraph AI 에이전트 과정(링크)
- Microsoft Autogen의 다중 에이전트 대화 프레임워크(링크)