https://github.com/wj-mcat/agent-handbook

handbook for learning agent
https://github.com/wj-mcat/agent-handbook

agent llm prompt-engineering prompt-flow prompt-tuning

Last synced: 3 months ago
JSON representation

handbook for learning agent

• Host: GitHub
• URL: https://github.com/wj-mcat/agent-handbook
• Owner: wj-Mcat
• License: apache-2.0
• Created: 2024-06-17T05:07:17.000Z (about 1 year ago)
• Default Branch: master
• Last Pushed: 2024-09-15T00:04:53.000Z (10 months ago)
• Last Synced: 2024-10-06T05:41:53.091Z (9 months ago)
• Topics: agent, llm, prompt-engineering, prompt-flow, prompt-tuning
• Language: TypeScript
• Homepage: https://wj-mcat.github.io/agent-handbook/
• Size: 8.26 MB
• Stars: 3
• Watchers: 1
• Forks: 0
• Open Issues: 1
• Metadata Files:
  • Readme: README.md
  • License: LICENSE

Awesome Lists containing this project

README

        


	


        🔮 Awesome AI Agents

		

			

		

	


## 因为热爱，所以分享

我始终相信开源，也热爱分享在工作学习过程中对于Agent所有觉得有价值、有意思的知识点，并定期将其编写成一篇篇博客，进而跟大家讨论学习，共同进步。

也非常欢迎大家能够一起贡献 PR 来不断完善此博客，不断完善，让其成为一个真正的 Agent Handbook。

## 知识点

### Agent Introduction

### Agent Workflow

强烈推荐大家先看吴恩达老师的这篇演讲来入门了解 Agent Workflow：

[![What's next for AI agentic workflows ft. Andrew Ng of AI Fund](https://img.youtube.com/vi/sal78ACtGTc/maxresdefault.jpg)](https://www.youtube.com/watch?v=sal78ACtGTc)

## Paper Reading

### ORPO: Monolithic Preference Optimization without Reference Model

ORPO 提出了一个非常创新的方法：将 模型对齐阶段 和 SFT阶段 融合到一起，进而提升模型的训练方法。

在 SFT 阶段，就直接将对齐的数据加入到训练当中，进而在SFT 阶段就已经实现了模型对齐的能力。

### Self-play with Execution Feedback: Improving Instruction-following Capabilities of Large Language Models

`解决的问题`：此论文旨在提升提供一个创建高质量指令跟随数据集的方法，进而提高在不同方法中指令学习的能力。

此论文中是通过生成一个函数函数来检测 Response 内容是否正确，进而提升数据质量。

> 此论文的方法不算是很创新，可是从一定程度上告诉我们：数据质量的重要性。

## Join the community

- Follow us on [X ](https://twitter.com/wj_Mcat)

- [Hit us up on discord](https://discord.gg/gJNKfdTr)

- Get my latest blogs on [知识星球](https://t.zsxq.com/soEav)