「認知架構」這個術語在人工智慧社群中越來越受歡迎，尤其是在大型語言模型(LLM) 及其應用的討論中。根據LangChain 博客，認知架構是指系統如何透過結構化的程式碼流、提示和LLM 呼叫來處理輸入並產生輸出。
定義認知架構
認知架構最初由Flo Crivello 提出，它描述了系統的思考過程，涉及法學碩士的推理能力和傳統工程原理。這個術語概括了認知過程和支撐代理系統的架構設計的融合。
認知架構中的自主性水平
LLM 應用中不同層次的自主性對應著不同的認知架構：
硬編碼系統：簡單的系統，其中一切都是預先定義的，不涉及任何認知架構。
單一LLM 呼叫：基本聊天機器人和類似的應用程式屬於此類別，涉及最少的預處理和單一LLM 呼叫。
LLM 呼叫鏈：更複雜的系統，將任務分解為多個步驟或服務於不同的目的，例如產生搜尋查詢然後得到答案。
路由器系統：LLM 決定下一步行動的系統，引入了不可預測的因素。
狀態機：將路由與循環結合，允許潛在的無限制的LLM 呼叫和增加不可預測性。
自主代理：最高層級的自主性，系統不受預先定義的約束決定步驟和指令，使其具有高度的靈活性和適應性。
選出正確的認知架構
認知架構的選擇取決於應用程式的具體需求。雖然沒有一種架構是普遍優越的，但每種架構都有不同的用途。對各種架構進行實驗對於優化LLM 應用程式至關重要。
LangChain 和LangGraph 等平台旨在促進這種實驗。 LangChain 最初專注於易於使用的鏈，但已發展為提供更可自訂的低階編排框架。這些工具使開發人員能夠更有效地控制其應用程式的認知架構。
對於簡單的鍊和檢索流程，建議使用LangChain 的Python 和JavaScript 版本。對於更複雜的工作流程，LangGraph 提供了進階功能。
結論
理解並選擇合適的認知架構對於開發高效且有效的LLM 驅動系統至關重要。隨著人工智慧領域的不斷發展，認知架構的靈活性和適應性將在自主系統的發展中發揮關鍵作用。
圖片來源：Shutterstock
資訊來源：由0x資訊編譯自BLOCKCHAINNEWS。版權所有，未經許可，不得轉載