如何构建 AI 代理-第 1 部分：愿景和规划
Why managing AI risk presents new challenges
Aliquet morbi justo auctor cursus auctor aliquam. Neque elit blandit et quis tortor vel ut lectus morbi. Amet mus nunc rhoncus sit sagittis pellentesque eleifend lobortis commodo vestibulum hendrerit proin varius lorem ultrices quam velit sed consequat duis. Lectus condimentum maecenas adipiscing massa neque erat porttitor in adipiscing aliquam auctor aliquam eu phasellus egestas lectus hendrerit sit malesuada tincidunt quisque volutpat aliquet vitae lorem odio feugiat lectus sem purus.
- Lorem ipsum dolor sit amet consectetur lobortis pellentesque sit ullamcorpe.
- Mauris aliquet faucibus iaculis vitae ullamco consectetur praesent luctus.
- Posuere enim mi pharetra neque proin condimentum maecenas adipiscing.
- Posuere enim mi pharetra neque proin nibh dolor amet vitae feugiat.
The difficult of using AI to improve risk management
Viverra mi ut nulla eu mattis in purus. Habitant donec mauris id consectetur. Tempus consequat ornare dui tortor feugiat cursus. Pellentesque massa molestie phasellus enim lobortis pellentesque sit ullamcorper purus. Elementum ante nunc quam pulvinar. Volutpat nibh dolor amet vitae feugiat varius augue justo elit. Vitae amet curabitur in sagittis arcu montes tortor. In enim pulvinar pharetra sagittis fermentum. Ultricies non eu faucibus praesent tristique dolor tellus bibendum. Cursus bibendum nunc enim.
How to bring AI into managing risk
Mattis quisque amet pharetra nisl congue nulla orci. Nibh commodo maecenas adipiscing adipiscing. Blandit ut odio urna arcu quam eleifend donec neque. Augue nisl arcu malesuada interdum risus lectus sed. Pulvinar aliquam morbi arcu commodo. Accumsan elementum elit vitae pellentesque sit. Nibh elementum morbi feugiat amet aliquet. Ultrices duis lobortis mauris nibh pellentesque mattis est maecenas. Tellus pellentesque vivamus massa purus arcu sagittis. Viverra consectetur praesent luctus faucibus phasellus integer fermentum mattis donec.
Pros and cons of using AI to manage risks
Commodo velit viverra neque aliquet tincidunt feugiat. Amet proin cras pharetra mauris leo. In vitae mattis sit fermentum. Maecenas nullam egestas lorem tincidunt eleifend est felis tincidunt. Etiam dictum consectetur blandit tortor vitae. Eget integer tortor in mattis velit ante purus ante.
- Vestibulum faucibus semper vitae imperdiet at eget sed diam ullamcorper vulputate.
- Quam mi proin libero morbi viverra ultrices odio sem felis mattis etiam faucibus morbi.
- Tincidunt ac eu aliquet turpis amet morbi at hendrerit donec pharetra tellus vel nec.
- Sollicitudin egestas sit bibendum malesuada pulvinar sit aliquet turpis lacus ultricies.
“Lacus donec arcu amet diam vestibulum nunc nulla malesuada velit curabitur mauris tempus nunc curabitur dignig pharetra metus consequat.”
Benefits and opportunities for risk managers applying AI
Commodo velit viverra neque aliquet tincidunt feugiat. Amet proin cras pharetra mauris leo. In vitae mattis sit fermentum. Maecenas nullam egestas lorem tincidunt eleifend est felis tincidunt. Etiam dictum consectetur blandit tortor vitae. Eget integer tortor in mattis velit ante purus ante.
AI 代理是人工智能和机器学习的有用应用程序，但是它们是如何制成的？这是一个由多部分组成的博客系列，介绍了构建 AI 代理的全部步骤。
但首先，什么是 AI 代理？ AI 代理是一个软件实体，它感知其环境、处理信息、计划、做出决策并采取行动以实现特定目标。AI 代理的范围可以从基于规则的简单软件和固定工作流程到完全自主的系统。
AI 代理的关键特征：
- 感知 — 它使用传感器、API、知识库或输入数据流从其环境中收集数据。
- 处理与决策 — 它应用逻辑、规则或人工智能模型来分析输入并确定适当的响应。
- 记忆 — 它可以存储和管理与用户的互动记录，并帮助未来的决策。
- 行动 — 它根据其决策执行操作，其中可能包括生成响应、自动执行任务或与其他系统进行交互。
- 自治 — 工作流代理可自动执行复杂/重复的任务，以提高生产力。自主代理无需持续的人为干预即可执行复杂的任务。
- 适应性 — 一些 AI 代理可以从互动中学习并随着时间的推移而改进。
我们记录在案的步骤将生成一个任何人都可以关注的 MVP AI 代理。这是 第 1 部分：愿景和规划，我们在两个人工智能代理想法之间进行构思以获得乐趣，并探索创建最低可行产品（MVP）的必要条件，然后再决定要构建哪一个产品。
探索两个 AI 代理创意
成功来自三个关键因素：有计划的愿景、可实现的手段和资源的有效利用。— GMI的座右铭
我们首先探讨两个想法的愿景：
- 会议研究助理： 一个人工智能代理，用于发现行业活动并计算相关成本和参与的预期回报
- 服装搜寻者: 一个 AI 代理，用于查看照片或图像，了解款式和服装，然后抓取在线服装选项以生成购买已识别款式的选项
这两个项目都有切实的用例，详情如下：
会议研究助理
跟上行业大会和会议的步伐可能会让人不知所措。该人工智能代理旨在通过以下方式简化流程：
- 通过网页抓取和数据聚合来查找相关的行业惯例。
- 估算费用，包括旅行、门票、住宿和其他费用。
- 根据受众、社交机会和演讲者阵容等因素计算预期的投资回报率（ROI）。
- 生成简洁的摘要，帮助用户快速做出明智的决策。
为什么这是一个可行的 MVP
- 会议时间表和详细信息通常以结构化格式在线提供。
- 网页抓取和简单数据处理可以相对较快地实现。
- 成本估算模型非常简单，依赖于公共旅行和门票定价数据。
- 投资回报率估算可以从基本的启发式算法开始，然后随着时间的推移进行完善。实际上，我们认为这是人工智能代理工作中最难的部分，因为我们可能需要教会代理如何对每个惯例的预期值进行评分。
服装搜寻者
这位 AI 代理会拍摄个人服装的图像（无论是照片还是图画），并尝试寻找与外观相匹配的可购买服装。主要功能包括：
- 图像识别和分类，可按类型、颜色和款式对服装进行细分。
- 使用计算机视觉和网络爬行在线搜索相似的服装。
- 应对诸如照明、角度的变化以及配套产品的可用性等挑战。
为什么建造起来要困难得多
尽管构建起来会很有趣，但它是一个具有复杂技术复杂性的简单想法的一个很好的例子。
- 时尚单品的图像识别需要在大量数据集上训练的复杂深度学习模型。
- 在不同的在线商店中查找精确或高度相似的匹配项是一个复杂的问题，涉及多个API和自定义搜索引擎。
- 服装经常缺货或价格和供应情况各不相同，这使得实时准确性成为一项挑战。
你想避免让 AI 代理过于复杂，所以我们选择不构建这个代理。作为一个有趣的项目，我们可能还是想在未来的某个地方创建的。
定义 AI 代理
一旦选择了这个想法，就必须明确定义：
- 这个 具体问题 代理可以解决。
- 目标 用户 还有他们的 需求。
- 成功指标 来衡量有效性。
这种清晰度确保了有针对性的开发过程和可衡量的目标。在我们的例子中，我们可以很容易地定义这些：
- 它解决了以下问题： 自动执行评估行业特定事件的投资回报率的手动流程。
- 用户和需求: 我们会用这个的！在这种情况下，我们需要为我们的队友提供一份经过预先研究的会议和行业活动清单，同时将人工智能代理的预期价值摘要与相关成本进行权衡。最后由人类做出决定，而人工智能代理的工作是提供支持
- 成功指标: 它是否加快了他们的工作流程并帮助他们提高了工作效率？还有一种故障状态，即人工智能代理提供错误/不正确/不准确的信息，从而创造更多的工作。也许我们可以将他们以前的工作流程与人工智能辅助的工作流程进行比较。
以上所有都是我们的 愿景。现在是时候计划我们将如何执行了 计划。
确定需求
构建功能性的 AI 代理需要：
- 数据来源 （例如，行业活动清单、服装零售商 API、图像数据库）。
- 核心 AI 模型和技术 （例如，用于摘要的 NLP，用于装备识别的计算机视觉）。
- 基础架构 收集、处理和向用户提供信息。
为了简化我们的工作，我们将使用一些开源工具：
- Dify.ai — 这是一个用于构建生成式 AI 应用程序的低代码平台。
- DeepSeek-R1 — 这是一个轻量级的开源 LLM 模型。对于手头的任务来说，这可能有点过头了，但是嘿，我们想玩这个很酷的新玩具。另外，GMI Cloud现在正在托管DeepSeek-R1，所以我们在做自己的事情！
预期的挑战和并发症
每个 AI 项目都有自己的障碍。我们项目面临的一些关键挑战包括：
- 数据可用性： 某些信息可能位于付费专区后面，或者需要先进的抓取技术。
- 技术可行性： 会议助手相对简单，但是服装搜索助手涉及复杂的人工智能和搜索算法。
- 精度和性能： 随着时间的推移，确保准确的赛事投资回报率估算值或精确的装备匹配需要进行重大改进。
- 现有 AI 模型的局限性： 预训练模型可能需要微调或额外数据，才能对我们的用例有效。
- 坚实的基础架构： 我们可能会对这个项目进行基本的改进，但是良好的基础设施是持续完善代理的关键。
通过预测这些挑战，人工智能代理构建者可以就可行性和开发策略做出明智的决策。
第 2 部分：构建 MVP — 流程
请继续关注第 2 部分，我们将记录我们为活动研究人工智能助手 MVP 构建 MVP 所用的步骤！
