Day2 大模型相关基础概念学习

Leon115
121 阅读22分钟

概念

大模型（尤其是以 LLM 为代表的基础模型）的技术体系复杂且跨多个领域，核心技术要点可拆解为架构设计、预训练、模型优化、微调适配、能力增强、评估对齐六大模块，每个模块都直接决定了模型的性能、效率与落地能力。 有很多分类标准。

  • 按应用领域分类：
    • 自然语言处理（NLP）模型：如 GPT-3、BERT、T5 等，主要用于文本生成、翻译、问答、情感分析等任务。
    • 计算机视觉（CV）模型：如 ResNet、EfficientNet、Vision Transformer (ViT) 等，用于图像分类、目标检测、图像分割、姿态估计等任务。
    • 多模态模型：如 CLIP、DALL・E 等，能够同时处理文本和图像等多模态数据，实现跨模态的理解和生成。比如用文字描述生成图像，用图像去生成文字描述。
    • 语音模型：如 WaveNet、Whisper 等，用于语音识别、合成、情感分析等任务。
  • 按模型架构分类：
    • Transformer 模型：如 GPT、BERT、T5 等，基于 Transformer 架构，广泛应用于 NLP 和多模态任务中。
    • 卷积神经网络 （CNN）模型：如 ResNet、Inception 等，主要用于图像处理，通过卷积层自动提取图像特征。
    • 循环神经网络（RNN）模型：如 LSTM、GRU 等，适用于序列数据处理，如文本序列、语音序列等。
    • 生成对抗网络（GAN）模型：如 StyleGAN、BigGAN 等，用于图像生成和编辑，通过生成器和判别器的对抗训练来生成逼真的图像。
    • 图神经网络（GNN）模型：如 GCN、GAT 等，用于图结构数据处理，如社交网络、知识图谱等。

# 大模型的技术要点

大模型（尤其是以 LLM 为代表的基础模型）的技术体系复杂且跨多个领域，核心技术要点可拆解为架构设计、预训练、模型优化、微调适配、能力增强、评估对齐六大模块，每个模块都直接决定了模型的性能、效率与落地能力。以下从技术逻辑链（从 “底层架构” 到 “上层应用适配”）展开详细说明：

一、核心架构：大模型的 “骨架”——Transformer 及其变体

当前所有主流大模型（如 GPT、BERT、LLaMA）均基于Transformer 架构（2017 年由 Google 提出）构建，其核心是 “自注意力机制”，解决了传统 RNN（循环神经网络）难以并行计算、长文本依赖捕捉弱的问题，是大模型能支撑 “千亿级参数” 和 “长上下文” 的基础。

1. Transformer 的核心组件
  • 自注意力机制（Self-Attention） ：模型能 “关注” 输入文本中不同词之间的关联（如 “小明喜欢吃苹果，他每天都买” 中，“他” 对应 “小明”），通过计算 “注意力权重” 量化词与词的依赖关系，实现对文本语义的深层理解。

衍生出多头注意力（Multi-Head Attention） ：将注意力机制拆分到多个 “子空间”，同时捕捉语义、语法、位置等多维度关联（如 “银行” 在 “去银行存钱” 和 “河边的银行” 中不同含义的区分）。

  • 编码器（Encoder）与解码器（Decoder） ：
    • 编码器（Encoder-only） ：双向注意力（能同时看到上下文），擅长 “理解类任务”（如文本分类、命名实体识别），代表模型：BERT、RoBERTa。
    • 解码器（Decoder-only） ：单向注意力（只能看到前文，无法看到后文），擅长 “生成类任务”（如文本续写、对话生成），代表模型：GPT 系列、LLaMA 系列（当前主流 LLM 多采用此结构）。
    • 编码器 - 解码器（Encoder-Decoder） ：兼顾理解与生成，擅长 “序列转换任务”（如机器翻译、文本摘要），代表模型：T5、BART。
2. 架构变体：适配不同场景的优化
  • 稀疏注意力（Sparse Attention） ：传统自注意力计算复杂度是 “文本长度的平方”（长文本时算力爆炸），稀疏注意力仅计算 “关键词” 的注意力（如只关注相邻词或高频词），代表技术：Longformer（支持 16k 长上下文）、GPT-4 的 “局部注意力 + 全局注意力” 混合方案。
  • 混合专家模型（MoE，Mixture of Experts） ：将模型拆分为多个 “专家子模型”（如 100 个小模型），输入文本仅激活部分相关专家（如 2-4 个），既降低算力消耗，又提升模型容量（如 GPT-4、PaLM-E 均采用 MoE），解决 “参数量增大与算力成本的矛盾”。

二、预训练：大模型的 “知识积累”—— 从数据到通用能力

预训练是大模型获取 “通用语言理解 / 生成能力” 的核心环节，相当于 “让模型读遍全网数据，形成基础认知”，其技术要点集中在数据处理、训练目标、算力支撑三方面。

1. 数据准备：“喂给模型的食物” 决定基础能力
  • 数据规模与多样性：需覆盖海量、多领域文本（如网页、书籍、论文、代码），规模通常达 “万亿级 Token”（1 Token≈0.75 个英文单词 / 0.5 个中文汉字），例如 GPT-3 训练数据约 5000 亿 Token，涵盖百科、新闻、小说、代码等。
  • 数据质量控制：
    • 清洗：过滤低质内容（如垃圾邮件、重复文本、错误信息），避免模型学习 “噪音”；
    • 去重：减少重复数据（如同一新闻的多个副本），防止模型过度拟合；
    • 合规性：剔除侵权、违法、偏见内容（如种族歧视、虚假信息），降低模型 “价值观偏差” 风险。
2. 训练目标：“教会模型学习的任务”

预训练并非直接让模型 “回答问题”，而是通过简单任务让模型间接学习语言规律，核心目标包括：

  • 自回归语言建模（Autoregressive LM） ：Decoder-only 模型的核心目标，让模型 “根据前文预测下一个词”（如输入 “今天天气很”，预测下一个词是 “好”“热”“冷”），通过海量预测任务学习语法、语义、常识（如 “太阳从” 后通常接 “东方升起”）。
  • 掩码语言建模（Masked LM） ：Encoder-only 模型的核心目标，随机 “掩盖” 文本中的部分词（如 “今天 [MASK] 气很好”），让模型预测被掩盖的词，强制模型理解上下文关联。
  • 对比学习（Contrastive Learning） ：多模态模型（如 CLIP）的训练目标，让 “相似内容”（如 “猫的图片” 和 “猫的文本描述”）在特征空间中距离更近，“不相似内容” 距离更远，实现跨模态对齐。
3. 算力与训练框架：“支撑万亿参数训练的基础设施”
  • 算力需求：千亿级参数模型的预训练需 “千卡 / 万卡级 GPU 集群”（如 NVIDIA A100/H100），训练周期通常达数周甚至数月，成本高达数百万至数千万美元（如 GPT-3 训练成本约 4600 万美元）。
  • 分布式训练技术：单卡无法容纳千亿参数，需通过 “模型并行”“数据并行”“流水线并行” 拆分任务：
    • 数据并行：将训练数据拆分到多卡，各卡独立计算梯度后汇总更新；
    • 模型并行：将模型的不同层 / 组件拆分到多卡（如 Encoder 层 1-10 在卡 1，11-20 在卡 2）；
    • 流水线并行：将训练步骤（如 “输入处理→计算注意力→输出预测”）拆分为流水线，提升计算效率。
  • 主流框架：PyTorch Distributed、Megatron-LM（NVIDIA）、MindSpore（华为）等，提供大模型分布式训练的底层支持。

三、模型优化：大模型的 “瘦身与加速”—— 从实验室到落地

原始大模型（如千亿参数）参数量大、推理慢、耗内存，无法直接部署到手机、边缘设备等场景，需通过模型压缩、效率优化降低资源消耗，同时尽量保留性能。

1. 模型压缩技术：“减少参数但不减少能力”
  • 量化（Quantization） ：将模型参数的 “高精度浮点数”（如 32 位 FP32）转换为 “低精度整数”（如 8 位 INT8、4 位 INT4），减少内存占用和计算量（如 INT8 量化可减少 75% 内存），代价是轻微精度损失。主流方案：GPTQ、AWQ（针对 LLM 的高效量化算法）。
  • 剪枝（Pruning） ：移除模型中 “不重要的参数”（如注意力权重接近 0 的连接、贡献小的神经元），保留核心结构。分为 “结构化剪枝”（移除整层 / 整个注意力头）和 “非结构化剪枝”（移除单个参数），前者更易部署。
  • 知识蒸馏（Knowledge Distillation） ：用 “大模型（教师模型）” 的输出指导 “小模型（学生模型）” 训练，让小模型学习大模型的 “知识”，同时保持小参数量。例如 DistilBERT（BERT 的蒸馏版，参数量减少 40%，速度提升 60%）。
2. 推理效率优化：“让模型跑得更快”
  • 动态批处理（Dynamic Batching） ：将多个用户的推理请求（如不同长度的对话）动态组合成批次，利用 GPU 的并行计算能力同时处理，提升吞吐量（如 Triton Inference Server 支持动态批处理）。
  • 算子优化：对 Transformer 的核心算子（如自注意力、LayerNorm）进行硬件适配优化（如用 CUDA、TensorRT 编写高效算子），减少计算延迟（如 NVIDIA TensorRT 可将 LLM 推理速度提升 2-5 倍）。
  • 上下文缓存（Context Caching） ：对话场景中，用户的历史对话（上下文）无需重复计算，缓存其特征向量，仅计算新输入的文本，大幅减少重复算力（如 ChatGPT 的对话续流优化）。

四、微调技术：大模型的 “个性化适配”—— 从通用到专用

预训练大模型具备 “通用能力”（如理解文本、生成句子），但无法直接满足 “特定任务 / 领域需求”（如医疗问诊、法律文书撰写），需通过微调让模型适配具体场景。

1. 预训练 - 微调范式（Pre-train & Fine-tune）
  • 全量微调（Full Fine-tuning） ：调整模型的所有参数，适配目标任务（如用医疗论文微调 BioGPT），优点是效果好，缺点是参数量大（千亿级模型无法全量微调）、算力成本高。
  • 参数高效微调（PEFT，Parameter-Efficient Fine-Tuning） ：仅调整模型的 “少量参数”（如 1%-10%），大幅降低成本，是当前主流方案：
    • LoRA（Low-Rank Adaptation）：在 Transformer 的注意力层中插入 “低秩矩阵”，仅训练这些矩阵参数，其余参数冻结（如 GPT-3.5 微调仅需训练数百万参数）；
    • Adapter：在模型层间插入 “小型 Adapter 模块”（如 bottleneck 结构），仅训练 Adapter 参数，保持主模型不变。
2. 关键微调类型
  • 指令微调（IFT，Instruction Fine-Tuning） ：用 “指令 - 响应” 数据（如 “指令：总结下文；响应：本文主要讲了…”）微调模型，让模型理解用户指令并生成符合预期的输出（如 GPT-3.5 通过 IFT 实现强指令跟随能力）。
  • 强化学习人类反馈（RLHF，Reinforcement Learning from Human Feedback） ：让模型 “对齐人类偏好” 的核心技术，分三步：
  1. supervised Fine-Tuning（SFT）：用人类编写的 “高质量响应” 微调模型，得到 SFT 模型；
  2. Reward Model（RM）训练：让人类对 SFT 模型的多个输出打分，训练 “奖励模型”（判断输出是否符合人类偏好）；
  3. PPO（Proximal Policy Optimization）训练：用 RM 模型的 “奖励分数” 作为反馈，通过强化学习优化 SFT 模型，让模型生成更符合人类偏好的内容（如减少冗余、避免有害输出）。
  • 领域微调（Domain Fine-Tuning） ：用特定领域数据（如医疗、法律、金融文本）微调模型，提升模型在该领域的专业能力（如用病历数据微调的 Med-PaLM，在医疗问答任务上准确率远超通用 LLM）。

五、能力增强：大模型的 “扩展技能”—— 突破原生局限

原生大模型存在 “知识滞后（如无法获取 2024 年后数据）、事实错误（幻觉）、无法调用工具” 等局限，需通过技术增强扩展能力。

1. 多模态融合

让模型处理 “文本 + 图像 + 音频 + 视频” 等多模态输入，突破纯文本局限：

  • 跨模态对齐：将不同模态的特征映射到同一空间（如 CLIP 将 “文本” 和 “图像” 对齐，实现 “用文本搜图”）；
  • 多模态生成：基于多模态输入生成内容（如 DALL-E 根据文本生成图像，GPT-4 根据图像 + 文本回答 “图中物体是什么”）。
2. 工具使用（Tool Calling）

让模型调用外部工具（API、数据库、搜索引擎等）解决原生能力不足的问题：

  • 流程：模型先分析用户需求（如 “查询今天北京天气”），判断需调用 “天气 API”，生成工具调用参数（如城市 = 北京，日期 = 今天），获取工具返回结果后，整理为自然语言回答；
  • 应用：Coze 平台的插件功能、GPT-4 的 Function Calling，均基于此技术实现 “联网、查数据、控设备” 等能力。
3. 检索增强生成（RAG，Retrieval-Augmented Generation）

解决大模型 “知识滞后” 和 “幻觉” 问题：

  • 流程：用户提问时，先从 “外部知识库”（如企业文档、最新新闻库）中检索相关事实性信息，将信息作为 “上下文” 输入大模型，再让模型基于检索到的事实生成回答；
  • 优势：无需重新训练模型即可更新知识（如实时获取 2024 年新闻），且回答可追溯到具体来源，减少幻觉（如回答 “2024 年世界杯冠军” 时，检索最新赛事结果后生成答案）。

六、评估与对齐：大模型的 “质量管控”—— 确保可靠可用

大模型需通过科学评估验证性能，同时通过对齐技术确保输出 “安全、合规、符合人类价值观”。

1. 模型评估
  • 通用能力评估：用标准化数据集测试模型的语言理解、推理、生成能力，如：
    • MMLU（Massive Multitask Language Understanding）：测试 57 个领域的知识与推理（如数学、历史、科学）；
    • GLUE（General Language Understanding Evaluation）：测试文本分类、语义相似度等基础任务；
    • C-Eval：中文领域的通用能力评估数据集，覆盖人文、社科、理工等领域。
  • 专业能力评估：针对特定领域设计测试集，如医疗领域的 MedQA、法律领域的 LegalBench、代码领域的 HumanEval（测试代码生成能力）。
  • 安全性评估：测试模型是否生成有害内容（如暴力、歧视、虚假信息），常用 “对抗性测试”（如故意输入诱导性提问，观察模型是否 “上钩”）。
2. 对齐技术
  • 价值观对齐：通过 RLHF、过滤训练数据等方式，让模型符合人类主流价值观（如拒绝生成暴力内容、保持中立客观）；
  • 事实对齐：通过 RAG、知识图谱融合等方式，让模型的回答与客观事实一致，减少幻觉；
  • 合规对齐：确保模型输出符合法律法规（如个人信息保护法、数据安全法），避免泄露隐私、传播违法信息。

总结：大模型技术要点的逻辑链

大模型的技术演进遵循 “架构奠基→预训练积累通用能力→优化降低部署门槛→微调适配具体场景→增强突破原生局限→评估对齐保障质量” 的逻辑。其中，Transformer 架构是基础，预训练与 RLHF是核心能力来源，模型压缩与 PEFT是落地关键，RAG 与工具使用是扩展能力的核心手段，最终通过评估与对齐确保模型可靠可用。

提示词（Prompt）

在大模型（尤其是 LLM，大语言模型）的语境中，Prompt（提示词） 是用户输入给模型的 “指令或信息”，本质是 “人与模型沟通的桥梁”—— 通过明确的文字描述，引导模型理解需求、输出符合预期的结果，相当于给模型的 “任务说明书”。

Prompt 的常见类型（按功能分）

  1. 基础指令型：直接下达简单任务，比如 “翻译‘我爱中国’成英文”“计算 15+23×4 的结果”；
  2. 角色设定型：给模型赋予特定身份，让输出更贴合场景，比如 “假设你是职场导师，分析‘新人如何快速适应团队’”；
  3. 上下文补充型：提供背景信息或参考内容，比如 “根据这段文字（附：某产品说明书片段），总结 3 个核心功能”；
  4. 格式约束型：指定输出的结构 / 格式，比如 “用分点列出‘大模型的 3 个应用场景’，每个场景配 1 个例子”。

工作流（workflow）

对prompt进一步的优化，如果直接一股脑把提示词发给大模型，他生成的效果可能并不怎么样。因此我们通过工作流的形式，一步步发prompt，并采用手段一步步整合。

Function call

为了解决LLM无法与外界系统交互的问题，OpenAI提出了一种讨巧的解决方式：

💡LLM虽然无法直接调用外部系统的API，但我们可以把外部提供的能力封装成Function，用自然语言描述Function的适用场景和参数信息：

把这些Function信息通过RAG喂给LLM，LLM就可以根据上下文返回我需要调用哪个Function，传入什么参数：

最后在Client端通过Coding的方式再去调用这些Function对应的API：

MCP

Function Call并没有完全实现外部系统API的调用，而是只让LLM识别需要调用的API Name和Param，由开发者在Client端编写额外的代码来实现API调用，那有没有可能以把这些API+额外代码封装成一个个Extension，然后支持以自然语言的方式调用呢？

在2024-11，Anthropic提出了MCP（Model Context Protocol ）协议：

modelcontextprotocol.io/introductio…

  • MCP Hosts ： 比如Claude Desktop、IDE、AI Tools等需要和外部交互的Agent
  • MCP Clients ： MCP客户端连接，和MCP Server 一一对应
  • MCP Servers ： 实现了MCP协议的轻量级服务，作用是实现MCP和能力提供方的连接
  • Local Data Sources：本地文件、数据库
  • Remote Services： 外部服务API

以LLM调用外部系统API为例，其思路是

  • 💡每个Extension对应一个MCP Server，用于封装调用外部API的逻辑，并将返回值解析成自然语言
  • 💡MCP协议要求每个Extension定义清晰的Tools描述和参数（和Function Call一样）

在大模型领域，MCP 指的是模型上下文协议（Model Context Protocol），是由 Anthropic 公司在 2024 年推出并开源的一种协议标准。它旨在标准化应用程序如何为大型语言模型（LLMs）提供上下文信息，就如同 USB-C 接口为设备连接提供了标准化方式一样，MCP 为连接 AI 模型与不同数据源和工具提供了标准化途径。以下是关于 MCP 的详细介绍：

  • 架构与组件：MCP 采用典型的客户端 - 服务器（C/S）架构，将系统分为三个主要组件。
    • MCP Host（主机） ：包括 Claude Desktop、各种 IDE（如 Cursor、Windsurf）或其他需要通过 MCP 访问资源的 AI 应用程序，是用户与 AI 交互的入口，也是协调大语言模型与外部工具通信的枢纽。
    • MCP Client（客户端） ：协议客户端，与服务器保持一对一连接，负责处理 MCP 协议的通信，它将主机的自然语言指令转换为标准化协议请求，并协调 MCP 服务器执行具体操作。
    • MCP Server（服务器） ：轻量级程序，负责暴露特定的数据源或工具功能，并通过标准化协议与客户端交互。
  • 通信机制：MCP 协议支持两种主要的通信机制，分别是基于标准输入输出（stdio）的本地通信和基于 Streamable HTTP 的远程通信，这两种机制都使用 JSON-RPC 2.0 格式进行消息传输，确保消息交换的一致性和可扩展性。
  • 编程模型：MCP 协议定义了四种主要的编程模型，用于不同类型的交互。
  1. 工具（Tools）

支持动态调用外部 API 或脚本。例如，开发者可在服务器中注册send_email工具，客户端调用时传入收件人、主题等参数，服务器自动调用 SMTP 接口发送邮件。

  1. 资源（Resources）

提供结构化数据访问能力。例如，数据库服务器可暴露query_table资源，客户端通过自然语言指令 “查询 2024 年 Q2 销售额超过 100 万的订单”，服务器自动解析并执行 SQL 查询。

  1. 提示（Prompts）

预定义模板优化模型输出。例如，法律服务器可提供 “合同条款解读” 提示模板，客户端调用时只需填入合同文本，服务器会自动生成结构化分析报告。

  1. 采样（Sampling）

允许服务器反向调用大模型能力。例如，数据分析服务器可请求模型生成可视化图表的描述文本，或对异常数据进行语义解释。

  • 主要功能：包括数据集成、工具集成、安全性、上下文感知、模块化与可扩展性等。它可以提供标准化接口，连接各种数据源和工具，同时采用本地服务器与数据源连接，避免敏感数据上传第三方平台，保障数据隐私。
  • 应用场景：MCP 的应用场景广泛，包括软件开发、数据分析、企业自动化、智能客服系统、内容生成平台、医疗场景、教育场景等。例如，在软件开发中，开发者可通过 MCP 让 AI 模型访问代码库，为其提供代码片段、解决代码问题等服务；在医疗场景中，通过 MCP 提供患者病史，模型可以更精准地生成诊断建议。

Computer Use——沙箱运行环境

docs.anthropic.com/en/docs/age…

为了进一步增强LLM的交互能力，Anthropic又提出了一种『Computer Use』概念，即提供一个隔离的虚拟沙箱环境让AI自动操作，结合Tools完成对虚拟计算机的操作，比如可以通过AI写代码并在这个环境运行：

Agent

解决了LLM的几个局限性问题以后，我们需要一个抽象实体将其串联起来，这就是AI Agent。

在大模型技术体系中，Agent（智能体） 是具备 “自主理解需求、拆解任务、调用工具、执行闭环” 能力的核心组件 —— 它相当于大模型的 “任务指挥官”，能让 AI 从 “被动响应单个请求” 升级为 “主动解决复杂问题”，是大模型落地复杂场景（如企业自动化、智能办公、工业运维）的关键载体。

Agent 会处理信息、做出决策，并根据前一轮的输出调整下一个行动，如此循环迭代来实现其最终目标

  • 在 Agent 中，认知架构的核心是编排层，负责维护memory、state、reasoning 和 planning
  • 使用快速发展的提示词工程（prompt）及相关框架来指导推理和规划，使 Agent 能够更有效地与环境互动并完成任务

Agent 的功能实现依赖 “分层架构”，各层各司其职又相互配合：

层级核心作用技术组件 / 示例
感知层接收用户需求，理解任务目标自然语言理解（NLU）、多模态输入（语音 / 图像解析）
决策层拆解任务、选择工具、规划步骤思维链（CoT）、任务规划算法、记忆模块
执行层调用工具、执行步骤、整合结果工具接口适配（API/SDK）、结果解析器、错误处理器

其主要能力如下四点：

  1. 任务规划能力（Task Planning）

核心是 “将模糊需求转化为清晰步骤”，避免 “一步到位” 的盲目尝试。

    • 举例：用户说 “帮我安排下周去上海的出差”，Agent 会拆解为：

① 确认出差日期（向用户追问 “具体哪几天”）→ ② 查往返机票（调用航司 API）→ ③ 订酒店（匹配 “公司协议酒店 + 靠近客户地址”）→ ④ 生成行程表（整合机票 / 酒店信息）→ ⑤ 同步到用户日历（调用日历工具）。

    • 技术支撑：依赖大模型的逻辑推理能力（如 GPT-4 的 “思维链 Chain of Thought”），或通过 “预定义工作流模板” 辅助规划。
  1. 工具调用能力（Tool Utilization）

Agent 的 “手脚”—— 通过标准化接口连接外部工具，突破大模型的原生局限（如实时数据、计算能力、物理控制）。

    • 常见工具类型：
      • 信息类：搜索引擎（Google / 百度）、数据库（TiDB/MySQL）、知识库（企业文档库）；
      • 功能类：API 接口（天气、支付、邮件）、本地工具（Excel、Python 脚本）、硬件控制（智能家居、工业传感器）；
      • 专业类：医疗影像分析工具、法律条款解析插件、代码调试器。
    • 关键逻辑：Agent 会根据任务类型 “自主判断是否需要调用工具”—— 比如回答 “2023 年 GDP” 需调用实时数据库，而回答 “什么是 GDP” 则直接用大模型的原生知识。
  1. 上下文记忆能力（Context Memory）

Agent 的 “记性”—— 能持续记录交互过程中的关键信息，支撑多轮连贯任务。

    • 记忆类型：
      • 短期记忆：保存当前任务的中间结果（如 “出差日期已确认是 7.10-7.12”）；
      • 长期记忆：存储用户偏好或历史数据（如 “用户出差偏好靠窗座位、不选凌晨航班”“公司差旅标准是‘经济舱 + 四星酒店’”）。
    • 价值：避免重复追问（如订完机票后，订酒店时自动复用 “上海”“7.10-7.12” 等信息），让交互更自然。
  1. 反馈与迭代能力（Feedback & Iteration）

Agent 的 “自我优化机制”—— 能根据用户反馈或执行结果调整策略，避免 “一错再错”。

    • 举例：若用户对出差行程反馈 “酒店离客户公司太远”，Agent 会：

① 接收反馈→ ② 重新查询 “客户地址周边的协议酒店”→ ③ 替换原酒店订单→ ④ 再次确认用户满意度。

    • 技术支撑：通过 “强化学习（RL）” 或 “用户反馈标注” 优化工具选择逻辑（如 “下次优先匹配‘距离客户地址＜3 公里’的酒店”）。
avatar
文章
阅读
粉丝