「AI研习社」解锁ADP3.0与泛互场景应用实战​

产品实战课 第二讲：认识ADP3.0里的大模型 腾讯智能体开发平台顾涵身 认识智能体开发平台3.0里的大模型 第三方模型 混元大模型 优图精调大模型 思考模型–标准模式 名称：youtu-intent 推荐 曾用名：意图识别模型高级版 定义：用于意图识别，主要影响意图识别的效果 输入输出：最大输入8k c最大输出：最大输出4k 场景描述： 适用于同时配置问答、文档、工作流的场景，意图识别效果更佳，并且支持在角色指令中自定义配置意图，但可能会增加一定的对话耗时。 可兼容模型 c 思考模型–multi-Agent模式 定义：用于意图识别，主要影响意图识别的效果 生成模型–知识库模型–问答生成 定义：用于意图识别，主要影响意图识别的效果 生成问答文档路径 知识库模型设置路径 应用开发-知识管理-问答-新建-从文档生成 应用开发-知识管理-知识库设置-知识库模型 生成模型–知识库模型–知识库Schema 定义：主要影响阅读理解与答案生成的效果 知识库Schema是描述知识库内数据结构的信息，向智能体应用提供知识库构成的依据。主要体现在应用的知识检索与调用效果上，因此需在应用内的知识管理处进行配置。知识库数据分为两类：结构化数据和非结构化数据。 •结构化数据包含数据库。当知识库中引入数据库时，无需生成知识库Schema。•非结构化数据包括知识库文档的常规链路，主要由文档和问答组成。文档类知识指以文档形式存储的知识，包括Word、PPT、表格、图片等数据格式。Schema包含文档的文件名、摘要以及标签。当文档数量较多时，知识库Schema生成过程会自动对知识库进行聚类。聚类完成后，将生成文件夹名称和文件夹摘要信息。 生成模型–知识库模型–知识库Schema 定义：主要影响阅读理解与答案生成的效果 生成知识库Schema后，可以在工作流或Multi-Agent中使用知识库检索Agent，自动进行复杂知识检索任务的拆解。 适合使用知识库检索Agent的场景包括： c•多文档/问答对/表格结合回复：需要从多个文档中提取部分结果，并综合信息来回答用户问题。•文档筛选后回复：当需要根据特定规则（如时间、地区）从多个相似文档中筛选出最相关内容时。•复杂表格数据查询：需要结合text2sql和计算工具处理复杂的表格数据指标查询。这些场景通常需要多个步骤的检索、任务拆解和数据处理，Agent能在这些任务中发挥自主规划和决策的优势。 生成模型–知识库模型的选择 定义：主要影响阅读理解与答案生成的效果 其他可使用模型 名称：youtu-mrc-pro 推荐 推荐 曾用名：精调知识大模型高级版 输入输出：最大输入7k 最大输出：最大输出1-4k 最大输出：最大输出1-4k 场景描述： 场景描述： 针对企业知识问答场景精调训练，擅长多模态知识问答。性价比相对更高，适合需要同时平衡效果、价格的场景。、优势能力：支持图文关联输出。 c针对企业知识问答场景精调训练，擅长多模态知识问答，适合图文表答案关联输出、数学计算、逻辑推理、表格问答等复杂场景有需求的场景。 支持图文关联输出、数据计算、表格问答、标签提取。 生成模型–标准模式下的生成模型配置 定义：主要影响阅读理解与答案生成的效果 工作流里的大模型节点 通过调用大语言模型，根据输入的提示词处理各类复杂的任务，满足用户业务需求，并且支持调整模型参数获取个性化输出要求。 通过调用大语言模型，根据输入的提示词处理各类复杂的任务，满足用户业务需求，并且支持调整模型参数获取个性化输出要求。 全系列生成模型可用 推荐：youtu-intent-pro 支持从待提取内容中提取用户设置的标签。例如从维修手册中提取特定设备型号、从案件详情中提取案件发生时间等。 支持用户输入问题并配置检索范围进行知识问答，输出大模型生成的回复内容。 推荐youtu-mrc-pro 推荐youtu-mrc-pro RAG模型–Reranker模型 名称：youtu-reranker说明：通用文本排序模型名称：youtu-rerankeryoutu-reranker-llm说明：LLM增强排序模型，准确率更高场景描述：用户提交问题后，系统会先在知识库内检索文档切片，再通过重排序模型对召回片段进行二次排序，从而找到最符合需求的内容，供应用生成更加精细的回答。推荐 THANK YOU