综述：探索基于大型语言模型的智能体：定义、方法与前景 - 飞书文档
https://docs.feishu.cn/article/wiki/Ms10w3VufiBel3kXwDJcq2zxnue? 样本效率: 基于强化学习的智能体通常需要在学习出有效策略之前与环境进行多个周期的交互。这种高样本 ...
飞搜侠
热门搜索
RL-based Agent: Learning through Interaction - 飞书文档
https://docs.feishu.cn/v/wiki/OwjIwxV9BiqVBXk7C9YcHLT3nUh/a6最初，这类Agent 主要依赖强化学习算法，如Q-Learning 等。随着深度学习 ... 单智能体. 多智能体. 人机合作. LLM-based Agent 社会模拟. 其他. 飞书AI 知识问答系统 ...
AI 智能体如何重塑单人独角兽创业新纪元？ - 飞书文档
https://docs.feishu.cn/v/wiki/WY6OwSgH7i9hpvkKH6Acam2pnbb/a1创意核聚变：结合跨领域知识迁移算法，智能体可每小时产生1200个产品创意，经强化学习筛选后保留3-5个黄金方案. 风险透视镜：蒙特卡洛树搜索算法能模拟230万种商业场景 ...
强化学习过程：智能体与环境的交互 - 飞书文档
https://docs.feishu.cn/v/wiki/Ii9XwoBBKiB5NfkmmSAcYmD6n0g/a3简单说，强化学习的过程可以描述为，智能体观察到一个状态$s_t $，执行一个动作$a_t $，环境反馈给它一个奖励$r_t $以及一个新的状态$s_{t+1} $；然后智能体根据这个状态执行 ...
元智能体搜索：ADAS的有效算法 - 飞书文档
https://docs.feishu.cn/v/wiki/RQ4pwvcTIi9EUokaR9LcLfQ6n6g/a2... 智能体系统，而不是单片模型查询。此外， ... 现有方法包括使用强化学习（Zhuge et al., 2024）或迭代生成新解决方案的FM ...
牛津大学研究人员提出策略引导扩散：离线强化学习中可控生成合成 ...
https://docs.feishu.cn/article/wiki/ZddxwF7bqixky8ka9NschtNCnFe此前的研究通过明确或隐含地将策略向行为分布进行正则化来解决这个问题。另一种方法是从离线数据集中学习一个单步世界模型，为目标策略生成轨迹，以减轻分布差异。然而，这 ...
智能体系统如何实现实时自我进化？ - 飞书文档
https://docs.feishu.cn/v/wiki/GOS7w7FRJioPh9kobTUc1n1EnEb/ac社会性涌现****混合增强智能网络：当多个智能体形成，会产生1+1>1000的群体智能。物流系统中的无人机编队，通过强化学习算法实现空中交通的自我组织，配送效率提升470%.
多模态模型的实现与发展 - 飞书文档
https://docs.feishu.cn/v/wiki/MoJxwYTLxitweakOM98cCNZqnzb/a72025年6月30日 ... 多任务强化学习（MTRL）旨在训练智能体同时应对多个任务，提升样本效率和模型泛化能力。MTRL 实现了架构设计的创新，如共享主干加独立 ...
《MetaGPT智能体开发入门》教程 - 飞书文档
https://docs.feishu.cn/article/wiki/KhCcweQKmijXi6kDwnicM0qpnEf实现一个单动作Agent ... 在 \_act 方法中，我们需要编写智能体具体的行动逻辑，智能体将从最新的记忆中获取人类指令，运行配备的动作，MetaGPT将其作为待办事项( self\.``rc``\.
智能体革命：生成式AI的星辰大海与人类文明新纪元 - 飞书文档
https://docs.feishu.cn/v/wiki/MfIGwGVrfiMogNkHuFycTZmZnol/ac智能体正突破文字的单维交互，构建起"五感俱全"的认知体系：. 视觉理解：CLIP模型 ... 2.3 自主决策引擎⚙️. 深度强化学习（DRL）架构让智能体具备战略级决策能力。