Related Work

Sequential Recommenders：序列推荐系统旨在根据用户过去的交互行为序列来预测用户接下来可能与之交互的项目。早期方法常依赖于马尔可夫链技术来基于历史交互建模用户行为。近年来，基于Transformer的模型被广泛应用于序列推荐系统中，这些模型能够捕捉用户交互序列中的长距离依赖关系。在使用时，首先需要收集用户与项目的交互数据，并按照时间顺序构建用户的行为序列。然后，选择合适的序列模型（如GRU、LSTM、Transformer等）来学习用户的行为模式。在训练过程中，模型会根据用户的历史行为序列来预测用户接下来可能感兴趣的项目。最后，在实际应用中，根据模型的预测结果为用户生成推荐列表。

本文根据Hugging Face上的Agent课程编写而成。 在本章节，我们将使用 Agentic RAG 创建一个工具来帮助主持晚会的友好经纪人 Alfred，该工具可用于回答有关晚会嘉宾的问题。

本文根据Hugging Face上的Agent课程编写而成。 在本章节您将学习如何使用 LangGraph 框架构建应用程序，该框架旨在帮助您构建和协调复杂的 LLM 工作流程。LangGraph 是一个框架，它通过为您提供代理流程的控制工具，允许您构建可用于生产的应用程序。 相关资源：

本文根据Hugging Face上的Agent课程编写而成。

什么是LlamaIndex？

LlamaIndex 是一个完整的工具包，用于使用索引和工作流创建基于LLM的Agent。

LlamaIndex的关键部分以及它们如何帮助代理？

Components：在 LlamaIndex 中使用的基本构建块。 These include things like prompts, models, and databases.组件通常用于将 LlamaIndex 与其他工具和库连接起来。
Tools: 工具是提供特定功能（例如搜索、计算或访问外部服务）的组件。
Agents：能够使用工具并做出决策的自主组件。它们协调工具的使用，以实现复杂的目标。
Workflows：是将逻辑整合在一起的逐步流程。工作流或代理工作流是一种无需明确使用代理即可构建代理行为的方法。

本文根据Hugging Face上的Agent课程编写而成。 相关资源：

• smolagents Documentation - Official docs for the smolagents library
• Building Effective Agents - Research paper on agent architectures
• Agent Guidelines - Best practices for building reliable agents
• LangGraph Agents - Additional examples of agent implementations
• Function Calling Guide - Understanding function calling in LLMs
• RAG Best Practices - Guide to implementing effective RAG
• smolagents Blog - Introduction to smolagents and code interactions

什么是smolagents，为什么要使用smolagents？

smolagents 是一个 Hugging Face 库。smolagents 是一个简单但功能强大的 AI 代理构建框架。它为LLM提供了与现实世界交互的能力，例如搜索或生成图像。

在当今飞速发展的技术浪潮中，人工智能（AI）正以前所未有的速度渗透到各个领域，软件开发亦不例外。从智能代码补全到自动化测试，AI 工具的出现极大地提升了开发效率，并逐渐改变了开发者们的工作方式。特别是在前端开发领域，AI 的应用潜力更是巨大，它有望简化繁琐的UI构建过程，让开发者能够更专注于业务逻辑和用户体验。