丽水市网站建设_网站建设公司_ASP.NET_seo优化

今天分享一篇在 arXiv 预印的文章，标题是 “CellAgent: An LLM-driven Multi-Agent Framework for Automated Single-cell Data Analysis”。

本文针对单细胞 RNA 测序数据分析推出了 CellAgent，CellAgent 构建了基于大语言模型 LLM 的生物学专家角色——规划器、执行器和评估器，其能够将复杂的数据分析任务转化为仅需提供自然语言任务描述的自动化执行。

首先介绍一下这三种角色：

**规划器：**规划器首先根据用户提供的数据和自然语言任务描述进行高层次的规划，合理地设计任务计划，该计划包括必要的数据预处理任务，例如质量控制、高变异基因选择和标准化，以及可能需要的分析步骤，例如批次效应校正、细胞类型注释等。

**执行器：**执行器负责按顺序执行分解后的子任务，提供详细的分析和可执行代码。此外，执行器通过获取这些工具的文档（使用的具体方法等）实现检索增强生成（RAG）。如果检测到执行异常，CellAgent 将请求执行器解决问题，直到代码成功执行为止。

**评估器：**评估器负责评估特定数据处理任务的当前结果质量，并对各种方法的有效性做出判断。执行器基于自评估结果，通过超参数调优或工具选择自动优化解决方案，从而改进结果。

CellAgent框架示意图

CellAgent 的各个模块

**用户输入：**1）待处理的数据；2）待解决任务的描述；3）数据描述（可选，解决问题或工具的偏好要求）。

**规划器：**系统对规划器的提示包括：1）角色定位描述，详细说明角色的输入和输出；2）任务规划的输出格式规范，规划器的输出格式设置为 JSON，以便于提取子任务；3）预先收集的专家经验信息。

**执行器：**包含选择可用工具的 Tool Selector 和根据推荐的工具生成代码来完成当前任务的 Code Programmer 两个部分。

系统对 Tool Selector 的提示包括：1）角色定位描述，包含详细的输入输出规范；2）输出格式规范，方便其他角色使用，指定输出格式为JSON；3）用户要求。

系统对 Code Programmer 的提示包括：1）角色定位描述，详细说明输入和输出；2）输出格式规范，清晰定义输出代码块的格式，便于解析和执行；3）一些关于专业工具使用和常见异常处理的经验总结；4）当前步骤的任务描述、数据表示和用户偏好要求；5）有关先前步骤历史代码的记忆信息。

**评估器：**系统对规划器的提示包括：1）角色定位描述，包括输入和输出描述；2）可用评估方法列表，包括集成到 CellAgent 中用于评估关键步骤的特定代码。

**记忆模块：**LLM 本身不具备保留历史信息的能力，因此需要在 LLM 驱动的智能体中集成一个记忆模块。通过记忆模块合理地组织历史信息，LLM 可以防止在规划过程中遗忘先前的内容，并更高效地处理长时间上下文。在 CellAgent 中，不同子任务处理的内部逻辑是相互独立的，这意味着每个子任务的执行过程无需感知先前步骤的内部处理过程，例如工具选择、代码异常处理或迭代过程中生成的中间代码。因此，CellAgent 同时定义了全局记忆和局部记忆，以高效地存储历史信息。这使得不同的 LLM 角色能够访问合适的、有价值的历史信息，从而提升 LLM 的推理效率。

**工具检索：**1）CellAgent 集成了多种单细胞分析工具，以确保运行稳定性；2）在每个子任务开始时为 Code Programmer 检索可能有用的工具列表；3）同时为工具配备了标准化的文档，执行器能够访问所选工具的文档，从而提高代码生成的准确性。

**代码沙箱：**为了确保代码执行的安全性和可靠性，CellAgent 实现了代码沙箱，将 LLM 生成的代码隔离执行。具体而言，这是通过 Jupyter Notebook 转换实现的 nbconvert，其中数据加载和 LLM 生成的代码的每个步骤都在一个完整的 Jupyter Notebook 中执行。这种实现方法将 CellAgent 框架的运行和单细胞数据分析的代码执行解耦，从而增强了生成代码执行的安全性。此外，它还有助于单细胞任务分析的结果管理和可复现性。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】