Transcription
想要构建强大的 AI 代理，但又不确定使用哪些工具？人工智能不再局限于回答问题或仅仅生成内容。如今，AI 系统可以规划任务、做出决策、使用工具，甚至与人类协作以实现复杂的目标。这种新的演进被称为代理式 AI，它正在迅速改变企业的运营方式、软件的构建方式以及工作的完成方式。在本课程中，您将学习代理式 AI 的真正含义、AI 代理的思考和行动方式、它们背后的技术以及它们如何在各行各业的真实场景中得到应用。我们将一步一步地从基础概念过渡到实际理解。无论您是初学者还是专业人士，您都将获得清晰且可操作的知识。话不多说，让我们来看看今天会议的议程。首先，我们将介绍代理式 AI。然后，我们将深入探讨代理式 AI 的核心概念。接着，我们将介绍代理式 AI 的框架和库。然后，我们将深入探讨记忆和长期上下文。在此之后，我们将进入规划和决策链。稍后，我们将了解代理式 AI 的高级用例。然后，我们将进行代理评估和提示优化。稍后，我们将讨论代理式 AI 的风险、伦理和未来。最后一部分是关于代理式 AI 的实践项目。我希望我已经把议程讲清楚了，并且在本课程结束时，您不仅会理解代理式 AI，还会理解为什么它被认为是智能自动化的未来。那么，让我们开始吧。话虽如此，如果您喜欢观看这类视频，请点赞并订阅，同时打开小铃铛，这样您就能在我们发布新视频时收到通知。另外，让您知道的是，如果您想提升自己，掌握生成式 AI 和人工智能技能，并找到您梦想中的工作或在您的职业生涯中取得发展，那么 Simply Learn 提供了各种生成式 AI 课程和认证的“专家学习”课程。Simply Learn 与一些世界顶尖大学合作，提供各种认证项目。通过我们的课程，您将在高级 Python、机器学习、生成式 AI 等十几种技能方面获得知识和为工作做准备的专业技能。这还不是全部。您还有机会参与多个项目，并向在顶级数据和产品公司工作的行业专家学习。在完成这些课程后，成千上万的学习者已经转型为初级 AI 和机器学习工程师，或者获得了更高薪的工作和职位。如果您热衷于在这个领域发展您的职业生涯，请务必查看下方评论区和描述框中的链接。现在，在我们开始课程之前，这里有一个小测验。区分代理式 AI 和传统 AI 的主要特征是什么？您的选项是 A 更快的计算速度，B 实现目标自主行动的能力，C 更大的数据集，D 更好的图形处理。请在下方的评论区告诉我们您的答案。现在，让我们开始吧。欢迎来到本代理式 AI 课程。在本章中，我们将通过理解代理式 AI 是什么、它是如何演变的以及为什么它成为当今人工智能最重要的进步之一，来建立一个清晰的基础。让我们从最重要的一个问题开始。什么是代理式 AI？代理式 AI 指的是能够独立行动以实现目标的人工智能系统，而不是仅仅响应单个指令。在传统的 AI 系统中，交互非常简单。您提供输入，系统产生输出。这被称为请求响应模型。它引入了目标驱动的行为、决策能力以及对外部工具的使用和迭代推理，系统可以评估和改进自己的结果。理解这一点的一个简单方法是，大型语言模型生成内容。代理式 AI 执行任务。代理式系统将语言模型与规划、记忆和工具相结合，因此它们能够以最少的人工干预来完成复杂的流程。例如，AI 代理可以分析情况、收集所需信息、起草邮件，甚至自动发送邮件，而不是要求 AI 写一封邮件。这种转变代表了 AI 从被动智能到可操作智能的重大转变。现在，让我们了解我们是如何达到这个阶段的。向代理式 AI 的演进经历了三个主要阶段。第一阶段是传统 AI 系统。这些系统大多是基于规则的，或者为非常特定的任务进行了训练，例如图像分类、欺诈检测或推荐引擎。它们在有限的范围内很强大，但受到限制，因为它们需要预定义的逻辑，并且无法轻松适应。现在，第二阶段引入了大型语言模型，通常称为 LLM。这些模型在推理、对话和内容生成方面带来了重大改进。它们允许 AI 以更自然的方式与人类互动。然而，LLM 仍然存在重要的局限性。它们没有持久的记忆。它们无法独立执行决策，并且与外部工具的交互有限。第三阶段是重要的。第三阶段是代理式 AI。在这里，语言模型与规划系统、记忆机制、工具集成和执行循环相结合。这使得 AI 系统能够朝着定义的目标持续运行，类似于人类助手的工作方式。现在，让我们谈谈为什么代理式 AI 很重要。AI 很重要，因为它实现了思维的自动化，而不仅仅是体力劳动或重复性工作的自动化。有三个主要的影响领域。第一个是推理的自动化。AI 代理可以分解问题，评估结果，并在没有持续人工监督的情况下调整其方法。第二个是工具的自动化。AI 代理可以与 API、数据库、软件平台和外部应用程序进行交互。这使得 AI 从一个简单的聊天界面变成一个实际执行操作的系统。第三个是任务的自动化。市场研究、报告创建、数据分析、客户支持，甚至软件开发辅助等复杂流程现在可以部分或完全自动化。从商业和经济角度来看，许多专家认为代理式 AI 是继云计算和移动技术之后的下一个主要生产力飞跃。现在，让我们看看代理式系统的关键特征。大多数代理式 AI 解决方案包含五个组成部分。目标定义。理解需要实现什么是重要的。第二个是规划和决定如何实现目标。第三个是执行。使用工具或系统执行操作。第四个是记忆。存储先前步骤的信息。第五个是反馈循环，关于评估结果和改进性能。有趣的是，这种结构与人类在现实生活中解决问题的方式非常相似。让我们也看一些真实世界的例子。我们已经看到了代理式 AI 在自主研究助手、可以调试和部署应用程序的 AI 编码工具、个人生产力助手、多代理业务自动化平台以及工作流编排系统等领域的早期采用。组织正在积极试验这些技术，以提高效率并降低运营成本。现在我们对代理式 AI 是什么、它是如何演变的以及为什么它正在改变行业有了深刻的理解，我们就可以进入下一章了。在接下来的部分，我们将探讨使代理式 AI 系统在幕后工作的核心概念和架构。现在我们进入第二章，关于代理式 AI 的核心概念。在上一章中，我们介绍了代理式 AI 的概念以及为什么它代表了人工智能的下一次演进。现在，在本章中，我们将更深入地探讨使代理式 AI 与之前的一切不同的核心概念。这一点非常重要，因为在构建智能代理之前，您必须了解它们的思考方式、运作方式以及是什么使它们自主。那么，让我们从宏观图景开始。传统 AI 与大型语言模型与代理式 AI。人工智能已经经历了三个主要阶段的演进。我们称之为传统 AI 的阶段。这些系统旨在通过预定义的规则或训练模型来执行特定任务。例如，垃圾邮件检测系统、推荐引擎或图像识别工具。它们在有限的范围内运行良好，但存在一些明显的局限性。它们不会超出其训练范围进行推理。它们不会做出独立决策，也不会在上下文发生变化时进行适应。简单来说，传统 AI 是狭窄的、特定于任务的。然后是第二阶段，大型语言模型或 LLM。这是一个重大的突破。LLM 可以理解自然语言，生成内容，回答复杂问题，甚至模拟推理。它们由 OpenAI、Google DeepMind 和 Meta 等组织在大规模数据集上进行训练。但即使拥有所有这些能力，LLM 仍然以简单的“提示到响应到停止”的工作流程运行。您问一些问题，它们会响应，交互就到此结束。它们不会独立执行任务，也不会随着时间的推移管理调用。因此，虽然 LLM 很智能，但它们仍然是反应式系统。现在是第三阶段，代理式 AI。代理式 AI 将 LLM 扩展到目标驱动的智能系统。AI 代理不是生成响应，而是可以规划行动、使用工具、存储记忆、评估结果并持续改进。在这里，工作流程也发生了完全的变化。您编写一个提示，响应一个计划，您得到一个行动，您观察，改进并重复。这个循环创造了自主性。自主性是关键。现在，让我们来理解自主性。它更像是基于提示的系统与面向目标的系统的区别。代理式 AI 中最重要的概念之一是自主性。传统的基于提示的系统完全依赖于人类的指令。例如，您可能会说：“给我写一份报告”或“为我总结这份文件”。系统完成任务后就停止了。没有主动性，没有持久性，没有独立思考。但代理式 AI 系统则不同。它们基于目标运行，而不仅仅是指令。例如，想象一下给一个 AI 代理设定准备竞争对手分析报告的目标。该代理可能会自动搜索数据、分析趋势、生成见解，并最终完成最终文档，而人工干预最少或根本没有。这代表了 AI 演进的巨大转变。我们从基于命令的 AI 转向了面向目标的 AI。代理式 AI 中的规划。现在，下一个是代理式 AI 中的规划。现在，让我们谈谈规划。规划是代理式 AI 确定需要哪些步骤、按什么顺序以及使用什么工具的能力。这可能涉及将复杂任务分解为更小的子任务，逐步推理并随后执行它们。规划使 AI 代理能够解决无法通过单个提示处理的问题。将其视为回答问题与完成项目之间的区别。现在，让我们来了解代理式 AI 系统中的记忆。另一个关键组成部分是记忆。没有记忆，AI 系统就像一个无状态的聊天机器人。每次交互都从零开始。有了记忆，代理的行为更像助手。有不同类型的记忆。短期记忆，有助于保持当前的对话上下文和跟踪正在进行的步骤。现在，长期记忆存储跨会话的信息，例如用户偏好或历史数据，而向量记忆使用嵌入来根据相似性检索相关信息，从而实现个性化和上下文感知。记忆使 AI 代理随着时间的推移感觉更智能。现在，代理式 AI 中要使用的工具。代理式 AI 最重要和最强大的能力之一是工具使用。AI 代理不限于其内部知识。它们可以与外部系统交互，如 API、数据库、搜索引擎、软件应用程序和自动化平台。这使得 AI 从一个只能生成文本的系统转变为一个能够实际执行操作的系统。例如，AI 代理不是估算计算，而是可以调用计算器工具并返回精确的结果。这大大提高了可靠性和实时可用性。代理式 AI 系统中的推理和反馈循环也通过迭代运行。下一个是推理和反馈循环。代理式系统也通过迭代推理周期运行。目标，规划下一步行动，执行行动，观察结果，评估结果，调整策略。这个持续的反馈循环使 AI 代理能够纠正错误，改进性能，并动态调整决策。传统 AI 产生单一输出。代理式 AI 则持续改进以实现目标。代理式 AI 架构思维是最重要的。现在是 AI 代理架构思维。大多数代理式系统遵循模块化架构。您可以将其视为组件协同工作。大脑是语言模型。记忆存储上下文和知识。工具提供外部能力。规划器决定下一步做什么。执行器执行操作，评估器检查结果并提供反馈。这种模块化方法使系统具有可扩展性、灵活性和强大性。为什么这些概念很重要？现在您可能会想，这一切为什么重要？因为这些组件决定了 AI 系统的可靠性、安全性和可扩展性。如果您只考虑提示，您将构建聊天机器人。但如果您考虑自主性、规划、记忆和工具，您将构建智能代理。这就是专业人士今天需要的思维转变。现在您已经理解了代理式 AI 的基本构建块：自主性、规划、记忆、工具和推理循环。在下一章中，我们将从概念转向实现。我们将探索允许实际构建代理系统的框架和库。而这正是事情开始变得真正令人兴奋的地方。现在我们进入第三章，代理式 AI 的框架和库。在上一章中，您学习了代理式 AI 的核心概念：自主性、规划、记忆、工具和推理。现在，在本章中，我们将重点介绍使开发人员能够构建真实世界代理的实用生态系统。代理式 AI 系统并非从零开始构建。相反，开发人员使用专门的框架和库，这些框架和库提供了用于编排、工具集成、记忆和执行的预构建组件。第一个是 Langchain。我们将进行概述和架构介绍。Langchain 是构建 LLM 应用程序最广泛使用的框架之一。Langchain 旨在帮助开发人员将大型语言模型与外部工具、API、数据库、记忆系统和应用程序逻辑连接起来。Langchain 的核心思想是，Chain 作为语言模型和工具应用程序之间的中间件层，而不是手动编写复杂的编排逻辑，Langchain 提供了模块化组件，简化了开发。现在，让我们了解 Langchain 架构的关键组件。第一个是 Models。这些是用于推理和生成的 LLM，包括来自 OpenAI、Anthropic 和 Cohere 的模型。Langchain 提供了包装器来连接这些多个提供商。下一个是 Prompts。提示模板允许结构化的输入格式化。这确保了一致性、可重用性和动态数据注入。第三个是 Chains。Chains 代表操作序列。例如，您从输入开始，然后进行处理，然后是输出。Chains 可以包括多个提示、工具调用、逻辑步骤。它们对于确定性工作流很有用。现在，第四个是 Agents。Agents 引入了决策能力。而不是预定义的序列，Agents 决定使用哪个工具、何时使用它、下一步采取什么行动。这就是自主性出现的地方。第五个是 Memory。Memory 模块允许代理在交互中保留上下文。例如，对话记忆、摘要记忆、向量数据库记忆等等。第六个是 Tools。这些是将 AI 代理转变为能够采取行动的系统的东西。现在，第二个是 Langchain 的替代方案。虽然 Langchain 很受欢迎，但也有其他几个框架，每个框架都有其独特的优势。其中之一是 Microsoft 开发的 AutoGen。AutoGen 非常侧重于多代理协作。我们还将讨论其关键优势。代理间通信、基于角色的 AI 系统、对话驱动的工作流、对企业友好的设计。它广泛用于研究和高级自动化场景。另一个是 CrewAI。CrewAI 的设计围绕着基于角色的代理团队协作的概念。CrewAI 中的一些功能包括代理之间的任务委派、分层工作流、研究员、作家、分析师等专业角色、简单的配置。CrewAI 对于业务自动化流程特别有用。现在，另一个是 BabyAGI。BabyAGI 是早期实验性代理框架之一。它引入了自主任务创建、任务优先级排序、持续执行循环的概念。虽然是实验性的，但它影响了许多现代框架。现在，下一个是 AutoGPT。AutoGPT 是另一个开创性的自动化代理项目。那么，让我们讨论一些功能。自我提示、目标驱动循环、互联网交互、文件操作。AutoGPT 展示了完全自主的 AI 代理系统的潜力。现在，第三个是用于代理记忆、规划和执行的工具。构建有效的代理需要超越框架的多种支持技术。记忆工具。记忆通常使用流行的向量数据库实现。流行的选项包括 ChromaDB、Pinecone、Weaviate、FAISS，这些系统存储嵌入并允许基于相似性的检索。它们使代理能够记住过去的交互，检索相关的上下文，维护长期知识。现在，让我们来看一下规划工具。规划工具帮助代理将任务分解为更小的任务。例如，任务分解引擎、基于图的执行框架、工作流自动化或工作流编排。现代 AI 代理框架通常包含规划模块或集成编排系统。执行工具是下一个。执行涉及与外部环境交互。常见的集成包括 API、Python 函数、数据库、Web 浏览器、自动化平台。执行层对于将 AI 转变为运营系统至关重要。现在我们进入第四阶段，关于 LLM 如何与工具协同工作。代理式 AI 的核心是编排。协调 LLM 的推理与外部工具。典型的编排工作流程如下所示。用户提供一个目标。LLM 解释目标。代理决定使用哪个工具并执行操作。结果返回给 LLM，LLM 评估并规划下一步。这个循环一直持续到任务完成。这创建了一个闭环智能系统，进行函数调用和工具调用。现代 LLM 通过函数调用、工具模式、API 集成等功能支持结构化的工具交互。这使得代理能够超越文本生成，进入现实世界的行动执行。现在，第五个是选择正确的框架。最佳框架取决于您的目标。让我们看一些场景。如果您的用例是关于学习和实验，那么 Langchain 是您最佳推荐的框架。如果您专注于多代理，那么 AutoGen 可能是最佳选择。如果您正在处理业务工作流，那么 CrewAI 可能是最佳选择。AutoGPT 将是自主实验和概念探索的最佳选择。BabyAGI 将是最佳选择。没有唯一的最佳解决方案。架构决策取决于需求。现在，让我们来看看行业趋势，从提示到系统。行业正从提示工程转向系统工程。开发人员越来越多地设计由多个组件组成的 AI 系统，而不是单一的模型交互。这一趋势正在推动对熟练掌握 AI 编排、代理架构、工具集成和自动化设计专业人才的需求。下一章我们将进入记忆和长期上下文。这就引出了下一章。所以，这一章将全部关于记忆和长期上下文。在本章中，我们将讨论代理式 AI 最重要的概念或组成部分之一，即记忆。事实上，记忆是真正将简单的 AI 助手与真正智能的代理区分开来的东西。这样想。如果一个 AI 系统无法记住关于您、您过去的交互或它 5 分钟前所做的事情的任何信息，它的行为就像一个无状态的聊天机器人。但一旦引入记忆，就会发生一些强大的事情。系统能够实现个性化、上下文感知、从过去的行动中学习，甚至进行长期推理。换句话说，记忆将 AI 从被动智能转变为适应性智能。因此，在本章中，我们将探讨记忆为何重要、代理式 AI 系统中使用的不同类型的记忆以及持久上下文如何显著提高代理性能。现在，为什么记忆在 AI 代理中很重要？代理式系统很少一步操作。它们通常执行多步工作流，有时跨越多个会话甚至长时间段。为了有效运行，它们必须记住诸如之前的对话、用户偏好、任务历史、中间结果和知识之类的内容。当 AI 代理拥有记忆时，它可以保持对话的连续性，避免重复错误，随着时间的推移改进决策，个性化响应，并高效执行长期任务。从系统角度来看，记忆使 AI 代理能够进化，而不是每次都从零开始。现在，让我们来看看 AI 代理记忆的类型。让我们谈谈现代代理系统中使用的不同类型的记忆架构。每种类型都有不同的目的。让我们讨论第一种，缓冲区记忆，它本质上是短期记忆，它临时存储最近的交互。它帮助代理在对话或工作流中保持即时或中间上下文。然而，它存在局限性。由于令牌限制，它通常尺寸很小。一旦会话结束，记忆通常会被清除。您可以将其视为人类的工作记忆。您在解决问题时短暂持有的信息。缓冲区记忆通常用于聊天对话、逐步推理任务以及需要临时状态跟踪的工作流。下一个是摘要记忆，这可以被认为是第二种类型。系统不是存储整个对话，而是将过去的交互压缩成更短的摘要。例如，它可能会存储关键决策、重要事实或行动结果，而不是原始文本。这种方法也有主要优点。它降低了计算成本，节省了令牌，并且仍然保留了重要的长期上下文。摘要记忆变得至关重要，尤其是在 AI 代理运行时间长且积累大量信息时。现在，第三种是向量数据库记忆。它是代理式 AI 中最重要和最强大的记忆类型，也称为长期记忆。它的工作方式与传统数据库不同。系统不是存储用于关键字搜索的纯文本，而是将文本转换为称为嵌入的数值表示。这些嵌入存储在向量数据库中，当 AI 代理需要信息时，它会根据相似性检索相关数据，基于含义而不是确切的词语进行搜索。这使得代理能够记住用户偏好，检索研究文档，回忆历史对话，并访问随着时间积累的知识。您可以将向量记忆视为代理的长期知识库。现在，下一个是带有向量数据库的持久记忆。为了实现长期记忆，AI 代理使用称为向量数据库的专用存储系统。两个常用的解决方案是 Chroma 和 Pinecone。Chroma 因其开源、轻量级且易于集成（尤其是在 Python 环境中）而广泛用于本地开发和实验。另一方面，Pinecone 是一个托管的云解决方案，专为生产系统设计。它提供可扩展性、高性能检索和企业级可靠性。因此，根据您是构建原型还是生产应用程序，您可能会选择不同的工具。现在，下一个是持久记忆工作流。持久记忆的工作流通常遵循一个简单的管道。首先生成或接收数据。然后将文本转换为嵌入。这些嵌入存储在向量数据库中，并且每当 AI 代理需要上下文时，它就会检索最相关的信息。这使得 AI 代理能够无限期地记住信息并在需要时使用它。下一个是嵌入。向量记忆的基础。向量记忆的核心是嵌入。嵌入将文本转换为表示语义含义的数值向量。这意味着含义相似的句子将产生在数学上彼此接近的向量。例如，短语“机器学习课程”或“AI 培训计划”即使词语不同，也可能产生相似的嵌入。OpenAI 和 Hugging Face 等提供商都提供嵌入模型，它们为许多现代 AI 功能提供支持。现在，让我们了解为什么嵌入如此强大。嵌入实现了语义搜索、上下文检索、知识增强、个性化和推荐系统。它们是现代智能应用程序背后的核心构建块。没有嵌入，AI 系统中的长期记忆将远不如现在有效。现在，让我们了解记忆如何提高 AI 代理的性能。那么，让我们谈谈记忆的实际影响。记忆在多个维度上提高了代理的性能。它实现了上下文感知。代理可以引用先前的交互并保持连续性，而无需重复工作。现在，第二个是它实现了个性化。AI 代理可以适应个体用户，记住偏好并提供量身定制的响应。现在，第三个是它提高了效率和速度。通过记住先前的计算，AI 代理避免了冗余处理，从而降低了成本和延迟。第四个是它带来了更好的决策。AI 代理可以从过去的成果中学习，避免错误，并随着时间的推移定义策略。最后，记忆使得长期运行的自主系统成为可能。一些 AI 代理运行数小时甚至数天，跨会话跟踪工作流和进度。没有持久记忆，真正的自主性根本不存在。现在，让我们看看记忆的挑战和考虑因素。当然，记忆系统也带来了挑战。需要考虑存储成本。检索准确性必须仔细管理。在存储用户数据时，还存在隐私和安全问题。代理必须有效地过滤相关上下文，并且不正确或过时的记忆有时也会导致幻觉。因此，设计记忆架构需要深思熟虑的规划。现在您已经理解了记忆如何使 AI 代理能够保留上下文、从经验中学习并随着时间的推移提高性能，我们就可以进入下一个概念了。在下一章中，我们将探讨规划和决策链，其中 AI 代理学习如何分解目标并自主执行复杂的、多步骤的行为。而这正是 AI 代理智能变得更加强大的地方。现在我们进入下一章，关于规划和决策链。在上一章中，我们探讨了记忆如何使代理能够保留上下文并随着时间的推移进行学习。现在，我们将讨论代理式 AI 的另一个决定性能力，即规划。规划是将简单的 AI 助手与真正智能的代理区分开来的东西。一个基本的 AI 模型等待指令并产生答案。但 AI 代理必须逐步找出如何实现目标，通常没有持续的人工指导。而这正是规划所实现的。什么是 AI 代理中的规划？其核心是，规划是一个过程，其中 AI 代理理解一个目标，将其分解为更小的任务，确定行动的顺序，并执行这些步骤，同时监控进度，而不是通过单个响应来解决问题。代理通过交互式执行循环进行操作。典型的规划周期大致如下。首先，代理定义目标。然后，它分析需要什么。接下来，它创建一个任务列表。它执行这些任务，评估结果，并在需要时调整计划。这个循环一直持续到目标实现。规划使代理能够处理复杂的工作流、多步推理问题和长期自动化任务，而这些任务单靠一个提示是无法完成的。现在，让我们讨论思维链与思维树。让我们谈谈推理策略，这对于规划至关重要。您经常会听到两种重要的方法：思维链和思维树。思维链推理。让我们从思维链推理开始。思维链推理通过一系列线性步骤进行。您可以将其想象为从第一步到第二步到第三步，直到达到最终答案。这种方法相对简单但高效。当解决方案的路径是可预测的时，它效果很好，例如数学推理或结构化逻辑问题。然而，存在局限性。由于推理遵循一条路径，错误会沿着链传播，并且没有对替代解决方案的探索。因此，虽然思维链很强大，但它并不总是足以应对复杂的决策。现在，我们有思维树推理。因此，思维树推理将过程扩展到多个可能的路径。代理不是致力于一个方向，而是探索不同的选项，评估它们，然后选择最佳的选项。这种方法提高了决策质量，因为它允许在替代方案之间进行比较。它对于复杂的规划场景特别有用，因为可能存在多种策略。基于树的推理实际上更接近人类在解决战略问题时的思考方式。现在，让我们来看看关键区别。因此，理解区别的最简单方法是：思维链是线性推理。思维树是分支推理，在现实世界的 AI 代理系统中，这两种方法通常会根据任务的复杂性进行组合。现在，让我们来看看代理的任务分解和工作流设计。为了让 AI 代理完成复杂的目标，它们必须将大型目标分解为可执行的小组件。这个过程称为任务分解。现代代理框架允许开发人员设计不仅仅是线性的，而是动态的系统，可以根据条件进行适应的工作流。一个强大的概念是基于图的工作流，其中任务被分离并表示为节点，并通过决策路径连接。这使得条件执行、迭代循环、人工审批检查点，甚至并行任务执行成为可能，而不是固定的管道。基于图的规划提供了更大的灵活性和可靠性。现在，让我们讨论实现多步自主行为。因此，让我们来看看多步自主性实际上意味着什么。在实践中，典型的自主工作流可能从向代理提供目标开始。AI 代理生成计划，选择合适的工具，执行操作，评估结果，并在必要时更新计划。这个循环一直持续到目标完成。例如，假设目标是创建市场研究报告。该代理可以自动搜索行业数据、提取见解、分析竞争对手、生成报告并格式化输出，所有这些都只需最少的人工干预。这比简单地响应提示要先进得多。它代表了真正的自主执行。现在是下一个阶段。代理式 AI 的规划挑战。当然，规划并不容易。开发人员必须考虑几个技术挑战。代理可能会错误地分解任务，选择错误的工具，或者陷入循环。还可能存在资源限制或决策中的不确定性。为了构建可靠的系统，开发人员通常会引入安全措施，例如步骤限制、验证检查、监控机制和人工审批阶段。规划很强大，但需要仔细设计才能在生产环境中安全运行。规划是核心代理能力。最终，规划将 AI 系统从反应式响应者转变为战略问题解决者。它使代理能够解决复杂问题，执行长工作流，适应新信息，并以高度自主的方式运行。如果记忆赋予代理经验，规划则赋予它们方向。这些能力共同构成了智能 AI 自动化的基础。现在您已经理解了 AI 代理如何使用结构化的推理链进行规划和决策，我们就可以进入下一阶段了。在下一章中，我们将探讨高级代理式 AI 用例、真实世界的自动化场景，届时我们将开始看到代理式 AI 系统的真正威力。现在，我们进入下一章，关于代理式 AI 的高级用例。到目前为止，我们已经探讨了代理式 AI 的核心构建块：记忆、规划、推理和工具集成。现在，关键问题是：这一切实际上在哪里得到实际应用？在本章中，我们将研究一些高级用例，其中代理式 AI 系统结合了这些能力，以最少的人工干预来执行复杂的流程。而这正是代理式 AI 真正开始展现其价值的地方。Agentic AI 最强大的应用之一是创建自主研究助手。与仅仅检索信息的传统工具不同，代理式系统可以浏览网页，提取相关内容，比较多个来源，并生成结构化摘要，通常附带引用。这使得它们在市场研究、学术研究、竞争分析甚至内容创建等场景中非常有用。这里的关键优势不仅仅是信息检索。它是跨多个步骤的持续推理和验证。代理不只是查找数据，它会评估数据。现在，让我们深入探讨多代理协作或基于角色的系统。另一个高级概念是多代理协作。您不必依赖一个代理来完成所有事情，而是可以设计多个专业代理协同工作的系统，类似于人类团队。现在，CrewAI 等框架支持这种基于角色的架构。例如，您可能有一个研究代理来收集数据，一个分析代理来处理见解，一个作家代理来生成内容，以及一个审查代理来验证最终作品。这种方法提高了质量和可扩展性，因为每个代理都专注于特定的职责。它模仿了真实组织的运作方式。现在，让我们来看看电子邮件研究和摘要等自动化流程。代理式 AI 还支持端到端的自动化流程。想象一个系统，它可以读取传入的呼叫，提取重要信息，进行背景研究，生成响应并自动发送回复。整个工作流程都可以以最少的人工监督运行。这些自动化流程极大地减少了手动工作量，并提高了业务运营的生产力。它们是基于知识的任务。现在，让我们讨论与外部工具的集成。当 AI 代理连接到真实世界的软件系统时，它们会变得真正强大。例如，与 Zapier 等平台的集成允许代理触发跨数千个应用程序的工作流。与 Notion 的集成支持知识管理和文档更新。像 Google Sheets 这样的工具允许代理存储数据、生成报告并维护结构化记录。通过这些集成，代理可以更新数据库、跨平台同步信息、生成分析并自动化运营流程。这就是 AI 从对话助手演变为组织中的运营自动化层的地方。现在您已经看到了代理式 AI 如何应用于高级的真实世界场景，从自主研究到多代理协作和企业自动化，下一步是理解如何衡量和改进这些系统。现在，在下一章中，我们将重点关注评估和优化，我们将分析代理性能并学习如何提高可靠性和效率，这对于部署生产级代理式系统和解决方案至关重要。现在，下一章是关于代理评估和提示优化。到目前为止，在本课程中，我们已经讨论了如何设计代理、它们的规划方式、它们如何使用记忆以及它们如何与工具交互。但构建一个 AI 代理仅仅是开始。真正的挑战是使该代理可靠、高效且准备好投入生产。而这正是我们将在本章中重点关注的内容，因为一个 AI 代理工作一次是不够的。我们需要 AI 代理能够持续工作。衡量代理性能和任务成功率。现在，让我们深入了解衡量代理性能和任务成功率。改进 AI 代理的第一步是了解它的性能如何。代理评估侧重于一个简单但重要的问题：系统是否实现了其预期目标，以及它完成目标的效率如何？有几种常用的指标来衡量性能。例如，我们可以查看任务完成率，代理成功完成任务的频率。我们可以评估输出的准确性、搜索解决方案所需的步骤数、工具是否被正确使用，以及执行所涉及的时间或成本。在真实环境中，开发人员通常使用场景或基准任务来测试代理，以模拟生产条件。这使我们能够在部署前识别弱点。提示调试技术。现在，让我们来谈谈代理式 AI 中最实用的技能之一：提示调试。提示充当指导代理推理过程的指令。因此，如果提示不清晰或结构不良，代理将难以处理。一种有效的方法是将大型提示分解为更小、更具体的指令。添加约束和格式要求也可以提高一致性。提供示例，我们称之为“短提示”，通常有助于模型更清楚地理解期望。另一个重要的技术是明确定义代理的角色和目标。最后，记录中间推理步骤可以使开发人员看到故障发生在哪里。在许多方面，调试提示与调试代码非常相似。微小的改动可能会带来令人惊讶的巨大改进。当代理接收到反馈时，它们也可以得到改进，反馈可以来自许多来源。用户可能会纠正输出。系统可能会记录任务是否成功或失败。可能有评分、评估或监控日志。捕获性能数据。当这些反馈被纳入系统时，代理可以调整策略，优化提示，并随着时间的推移减少错误。这创建了持续改进而不是保持静态的适应性系统。在优化 AI 代理时，通常有两种主要方法：提示工程和微调。让我们来看看提示工程。提示工程涉及修改指令而不更改底层模型。它更快、更便宜，并且对大多数用例都有效。这就是为什么大多数代理系统都严重依赖提示设计的原因。另一方面，微调涉及在自定义数据库或数据集上训练模型。这种方法可以在专业领域提供更一致的行为，但成本和复杂性更高。在实践中，开发人员通常会用尽提示工程策略，然后再进行微调。现在您已经理解了如何评估代理性能并通过提示和反馈优化行为，我们就可以进入本课程的最后阶段了。在下一章中，我们将探讨代理式 AI 的风险、伦理考量和未来，包括安全挑战、行业趋势以及智能自主系统未来的发展方向，而这正是我们将技术与责任联系起来的地方，我们还将构建一个 AI 代理。现在我们已经到达了本课程的最后一章。到目前为止，您已经学习了代理式 AI 系统如何工作，从核心概念和规划到记忆、工具和真实世界的应用。但是，随着这些系统变得越来越自主和强大，一个重要的问题出现了：我们如何负责任地使用这项技术？因为随着能力的增强，责任也随之增加。在本章中，我们将探讨代理式 AI 的风险、伦理考量和未来方向。现在，自主性与控制。安全考量。代理式 AI 的最大优势之一是自主性。代理可以做出决策、执行任务并以最少的人工干预来完成工作流。但同样的自主性也带来了风险。例如，AI 代理可能会根据不完整的信息做出错误的决策。如果指令被误解，它可能会执行不当操作。组织可能会过度依赖自动化，并且如果代理与外部系统交互而没有适当的保护措施，也可能存在安全漏洞。这就是为什么安全部署需要强大的监控验证机制和人工监督。自主性永远不应意味着缺乏控制。目标是受控的自主性。对齐和幻觉挑战是下一个。AI 助手中的两个主要技术挑战是对齐和幻觉。对齐是指确保代理的行动符合人类的意图和目标。即使是一个高度有能力的系统，如果它优化了错误的目标，也可能造成问题。当 AI 生成不正确或捏造的信息，同时听起来很自信时，这在高风险领域（如医疗保健、金融或法律系统）尤其危险。为了降低这些风险，开发人员通常会实施验证步骤、基于工具的验证、反馈循环和人工介入检查点。可靠性不是可选项。它是真实世界采用的必需品。现在，让我们来看看代理式 AI 的未来趋势。展望未来，代理式 AI 有望改变我们的生活和工作方式。一个主要趋势是个人 AI 助手的兴起，它们可以管理日程、任务和决策支持。另一个趋势是基于工作的自动化，其中 AI 代理处理重复性的业务运营，使人类能够专注于更高价值的工作，等等。很可能会看到自主研究系统通过分析数据和生成假设来加速科学发现。也许最重要的是，将出现 AI 协作系统，其中人类和代理作为集成团队协同工作。我们也在从将 AI 作为工具转向将 AI 作为数字劳动力。现在，让我们也来看看一些最后的想法。您已经完成了代理式 AI 的完整旅程，从基础知识到架构、规划、记忆和高级应用。但学习到此为止。真正掌握这个领域的最佳方法是通过动手实践。构建您自己的代理，将它们与工具和 API 集成。您还可以探索多代理协作系统。尝试评估和优化技术，实践经验是将知识转化为专业知识。代理式 AI 代表了人工智能最重要的转变之一。我们正从生成响应的被动模型转向能够推理、规划和行动的自主模型。未来将属于那些不仅理解提示，还理解完整 AI 系统设计的专业人士。现在，让我们继续构建一个 AI 代理。现在我们将构建一个自动邮件撰写器或 AI 代理，它向请求预约的人发送确认。这真的很简单。现在，有几个平台。我们将使用 N8N 和 Google 的。我们将需要 Google Cloud、Google Sheets、Google Forms 和 Gmail。所以，这些是我们今天需要的一些东西。所以，我们将尝试从这些平台获取一些 API，并将它们连接在一起。然后，我们将为您的 AI 代理编写一些提示，以了解那些正在寻找预约的人发送的要求，然后我们可以继续编写代码。所以，现在我们有了基本了解，让我们开始使用 N8N 平台。我先关闭所有这些。所以，首先，我们必须创建一个 N8N 平台账户并进行验证。我已经完成了我的验证，然后我们将登录 Google Cloud 并创建一个账户并开始使用它。所以，我们已经准备好了我们的 Google 账户，这就是我们将要进入控制台的地方，我也登录了 Google Sheets，并且我将创建一个新的 Google 表单。所以，我们可以从这个特定位置开始，创建一个空白表单。一旦表单成功创建，您可以将其命名为“我的预约”之类的自定义名称。这个表单将与每个正在寻找预约的人共享或对所有人开放。然后，您可以添加一些选项，例如姓名、电话号码等，或者特别是电子邮件 ID，因为我们将要发送一些电子邮件。所以，它将是一个简短的回答，而且它肯定是一个必填项，除非他们写下他们的姓名和所有详细信息，否则我们无法进一步创建任何内容。所以，第一个是姓名。接下来是电子邮件，这也应该是必填项。根据用户输入的这些信息，我们将发送电子邮件，然后，下一个将是他们的，也许是电话号码。所以，我们有电话号码，它也将是简短的。这也应该是必填项。您可以忽略电话号码，因为我们在这里不做任何消息。就像如果我们使用一些触发器，如 Telegram 等，我们可以做到。所以，我们也包括日期，我们选择日期格式。所以，确保数据类型对所有这些输入都是正确的。所以我将只接受经验证的回复。如果他们要求，您也可以与填写表单的人共享一份副本。然后，是的，我想就这些了。现在，我们也可以将此表单链接到 Google 表格。这可以通过查看回复并点击链接到表格来完成。您可以为您的表格提供自定义名称。所以我将其命名为“我的预约”，与我们之前给我们的表格或 Google 表单相同的名称。所以，这里也可以使用相同的名称。所以，您可以看到我们在这里输入的所有行或列也在 Google 表格中成形。在发布之前，您也可以直接发布，或者在发布之前，您可以做一些笔记，然后尝试发布，或者您也可以随时回来编辑。现在，我们回到了 N8N 平台。所以，在这里您可以点击第一步。这些是触发器。我们有各种各样的触发器。它可以是聊天，可以是运行评估，也可以按计划触发应用事件，或者您也可以手动触发。但现在我想要 Google 表格作为我的触发器。在这里，您有“行添加时”、“行更新时”、“行添加或更新时”等选项。您还可以探索更多操作。创建表格、删除表格、追加、更新行、更新表格中的行或在表格中追加一行，提供了多种选项。您可以根据您的需求进行选择。对我来说，如果添加了一行就足够了。所以，在这里您可以看到，如果在表格中有人输入了数据，并且该数据填充在该特定行中，那么该特定条目应该被考虑，并且应该触发此特定工作流，并且应该触发该工作流。所以，现在我需要添加凭证。我目前没有任何凭证。所以，这将是模拟输出。在添加所有凭证之前，请看一下。现在，要添加凭证，您需要进行 OAuth 身份验证，或者您可以登录 Google。在我们启用登录功能之前，我们需要通过 N8N 完成 OAuth 要求。您需要进入这个特定的 Google Cloud，然后进入控制台。一旦进入控制台，您可以选择您正在使用的项目，或者您也可以创建一个新项目。我目前没有任何现成的项目。是的，我将从头开始创建一个。所以我需要同意一些条款和条件。我的国家，然后还有一些其他细节。是的，我需要在这里勾选并同意并继续。好了。现在我准备好创建一个新项目。所以我这里有所有选项。我们将在下一阶段使用 API 和服务。但在此之前，我们需要创建一个新项目。所以，选择一个项目，而且，由于我正在为学习目的创建这个，我将使用“无组织”，而且，是的，我需要基于“无组织”创建一个新项目，我可以将我的项目命名为“我的预约”之类的自定义名称，您喜欢哪个。所以我将写成“我的第一个项目”，然后我就可以点击创建。它正在后台创建。是的，项目创建完成。现在我可以选择该特定项目，并且这里有我所有的，我的仪表板，我的 API 云平台项目信息资源，我正在使用监控等等。所以我现在将进入 API 和服务。我认为我应该在 OAuth 同意屏幕。就是那个。所以，我需要点击它。一旦我点击它，我将拥有我应该创建的所有要求。所以我需要在这里创建两件事：客户端和受众。所以，首先，让我们创建一个客户端。现在，要创建一个客户端，您
您可以直接向下滚动并点击“创建客户端”。就是那个。只需要向下滚动一点点到底部区域。所以那个就是按钮。点击“开始”。一旦您开始，您也可以提供有关您应用程序的一些信息。您也可以使用您为您的 Google 表格或 Google 表单起的相同名称。我将将其创建为“预约应用程序”，一个自定义名称，它将链接一个电子邮件地址。那么，这将是内部受众还是外部受众？我将为此创建外部受众。所以正在寻找预约。您可以分享链接。所以这里会有联系信息。所以我将添加我用来创建此项目的 ID 的联系信息，然后完成并继续，然后创建。所以您的受众现在已成功创建。接下来您需要设置一些测试受众。只需点击那个 OAuth 客户端。一旦您的客户端创建完毕，您就可以开始使用受众。OAuth 已成功创建，我将将其创建为 Web 应用程序。您可以为 Android、Chrome 扩展程序或任何其他内容创建，但我将将其创建为 Web 应用程序。所以它在移动设备和桌面设备上都兼容。所以我们需要添加 URI。URI 就是您在此处的 N8N 平台 URL。所以，而不是您知道的斜杠 T2 DJ 所有这些，您知道的项目的地址，您需要删除它，其余的您可以直接复制粘贴。所以现在您需要在此处添加您的 URI。URI 就是您在 N8N 平台上的 URL。从工作流开始，您需要忽略工作流之后的所有内容，斜杠以及所有那些代码或 ID。然后您只需复制 HTTP 直到工作流，或者我认为您需要复制到 Cloud。所以只需关闭它或继续编辑。我现在不想编辑这个特定的触发器。只需将其保存或关闭即可。只需复制 URL，然后返回 Google Cloud。在这里您可以直接粘贴。粘贴后，您还需要授权重定向 URL。所以，我需要在此特定斜杠之后写下一些代码。我认为是的，第一个 URI 中不需要斜杠。所以这里您需要写下 rest/oauth2callback。所以您可以直接复制粘贴这一部分，即 rest/oauth2callback，这样当您尝试创建此项目或复制此项目时，您就可以准备好使用它了。不用担心，我正在处理的这个工作簿将在下面的描述框中链接，以便您可以直接访问它，然后您正在创建这个特定的，是的，所以您的客户端已成功创建。现在您有了客户端 ID。您可以将其复制粘贴到某个地方以供将来参考，或者您也可以将其下载为 JSON 格式。我将两者都做。我将把这个特定的客户端 ID 复制并粘贴到我的记事本中，同时我也会将其下载为 JSON 格式。不，我想我打开了错误的应用。所以是的，那是记事本文件。所以在这里我将创建一个新的点，然后粘贴为客户端 ID，并且为了安全起见，我也会复制并粘贴它。它们是相同的。现在客户端创建后，我们可以导航回 N8N，现在我们需要添加新的凭据或 OAuth 是推荐的。所以 OAuth 已经完成。所以您需要登录。所以选择您用来创建此产品的 Google 帐户以及您在 Google Cloud 控制台中处理过的所有应用程序。所以那个和这个特定的 N8N 平台都连接到同一个 ID，并且连接现在成功了。所以您的触发器现在几乎准备好了。所以您可以关闭它。现在我们需要另外几样东西，对吧？我们使用的表格以及我们表格中的列以及所有内容。到目前为止，我们刚刚连接了，您知道我们刚刚创建了一个 OAuth。所以在此之前，我们需要创建受众，对吧？所以点击受众，在这里您需要发布应用程序，就像我们为客户端所做的那样，您也需要为受众做。在我们创建一些受众之前，我们需要有一些测试用户，对吧？所以您可以提供任何电子邮件 ID。所以我将在这里创建我的另一个电子邮件 ID 作为测试用户。我也可以添加我自己的电子邮件 ID。所以它不会接受符合条件的帐户。所以这是一个您可以忽略的通知。所以为了安全起见，我也会使用我用来创建此项目的 Gmail ID。所以我们将两者都拥有。所以保存。所以您可以忽略那个警告。我们只是为了测试状态而这样做。所以我们有两个电子邮件。所以现在回到我们的 N8N 平台，在这里您可以设置模拟数据。所以您将这样接收输入。所以这里我们看到表单输入，我们有姓名、地址等等，它们在这里不存在。现在我需要选择文档，即我的预约表格。所以，是的，就是这个表格。所以这个特定的表格应该被关联，并且在这个里面我们有多个表格，对吧？所以我从哪个列表获取数据？所以我需要将列表作为“表单响应 1”。所以这是我们表格应用程序中的第一个表格。只需点击它。所以这里您可以看到我们有表单响应，对吧？就是那个。我将展开屏幕。所以我们正在选择这个特定的列表。所以就是那个我们需要在这里选择的。所以它会理解我有这些列，并且我需要从那些特定的列中提取数据。现在您也可以提供触发模式。所以我们需要获取事件。所以，是的，没有找到数据，因为这是我们期望的输出。我们还没有输入任何内容。我们的表单还没有发布，我们还没有输入任何数据。所以这是测试连接。所以连接成功了。它能够理解表格中有什么，有什么没有。所以现在我们需要回到这个特定的 Google Cloud。我们需要激活一些 API。我们需要三个 API。一个是 Gmail，另一个是 Drive，还有一个是 Sheets。我们需要激活它们。所以您可以点击 API 和服务。我们需要 Google Drive API。只需点击它并启用它。可能需要一点时间。启用。现在让我们花点时间激活它。一旦这个 Google Drive API 被激活，我们需要另外两个，即 Google Sheets API，只需删除 Drive 并写下 Sheets 在那个位置。是的。所以让我们花点时间激活或启用它。所以，接下来我们需要 Google Sheets。所以 Google Drive API 已准备就绪。对于 Google Sheets，您只需删除 Drive 并替换为 Sheets。是的，就是那个。只需点击 Google Sheets API，然后同样您可以直接点击启用，Sheets API 将被启用。让我们花点时间。现在最后一个是 Google 电子邮件，或者您也可以输入 Gmail。这是我们需要激活的最后一个 API，然后我们就完成了。所以您需要将 Sheets 替换为 Mail，然后您会自动找到 Gmail。就是那个，第一个。点击 Gmail API 并启用它。一旦您完成了所有 API 启用选项，您就可以返回了。所以 Google Cloud Console 的工作现在完成了。所以我们的触发器也几乎完成了。现在您可以发布我们创建的第一个 Google 表单。我需要给它一个自定义名称并管理。是的，每个人都应该有链接并发布。所以我将复制链接或 URL 并尝试输入一些数据。我将打开一个新的 Google 窗口。我将转到一个新标签页。直接在此处粘贴该链接。好的。一些错误，请求的 URL 未找到。我们发布了表单吗？是的，它已发布。让我刷新一下，然后回去检查可用性。是的，它对所有拥有链接的人都可用。好的。编辑器视图受限。基本上拥有链接的任何人都不应该拥有编辑器或窗口，但仅用于检查目的，我也将添加一个我想要用组织访问它的电子邮件地址。是的，就是那个。我可以直接点击并完成。我将直接提供它。让我检查我的收件箱。让我刷新一下，或者我选择了正确的链接吗？让我回到我的 Google 表单。是的，这是我应该获取的链接。没问题。现在，让我打开 URL。是的，现在我有它了。现在我可以添加详细信息。好的。是的，将此记录为该特定电子邮件。现在我将写下我的名字，我也会写下电子邮件地址。我可以从建议中选择，电话号码我可以写下任何随机号码 9 1 2 3 4 5 6 7 8 9。所以号码应该是 10 位数字。是的，那是 10 位数字。现在我们这里有日历格式。我将选择 27 日作为我的预约。现在我需要一份副本。所以发送一份响应副本，我的响应已记录。看吧。所以这是表单响应。它发送了我添加的一个响应，但我仍然没有收到确认电子邮件，对吧？为此，我们需要在这里有一个另一个操作部分。所以我们有触发器部分，我们需要设置一个操作部分。为此，我们需要切换回 N8N 平台。所以您可以看到我的表格已记录了我的输入。所以我的邮寄地址、我的名字、我的电话号码等等。现在，让我回到 N8N 平台。在此之前，我们可以获取数据并查看输出。所以这是我们得到的表格形式的输出。这是您可以检查所有数据类型的模式。这也是我的 JSON 格式。所以这就是我想要的我的数据。现在，到目前为止一切顺利。我的触发器已设置。我将关闭它。现在我需要添加另一个操作。为此，只需点击它。在这里我想要一个操作，即发送电子邮件。所以让我输入 Gmail。即使对于 Gmail，我们也有很多操作。所以 Gmail 也有很多选项。所以您可以发送电子邮件、读取电子邮件等。所以这里您可以看到删除消息、获取消息、标记。我只想发送一条消息。所以您可以点击发送消息。所以 Gmail 也有很多选项，比如发送电子邮件、读取电子邮件，对吧？让我们探索那些选项。所以只需点击它。所以这里您可以看到添加标签消息、删除消息、获取、回复消息。我只想发送一条消息。所以我将点击发送消息，这里您有需要添加新凭据的背景，并且还要硬编码所有这些内容，比如选择哪封电子邮件来发送回复以及我应该发送什么消息，所有这些内容。所以，添加凭据很简单，您只需要登录，因为我们已经创建了 OAuth。所以只需点击使用 Google 登录，然后您可以选择您用来创建此产品和 OAuth 凭据的电子邮件。所以我将点击那封电子邮件，您可以允许 N8N，但其余一切都已连接，现在资源应该是消息，操作应该是发送消息，只需拖放。所以这是我想发送消息的电子邮件地址，电子邮件类型应该是 HTML。现在我们需要添加收件人或信息。所以信息将是关于收件人或需要接收此电子邮件的电子邮件地址。电子邮件类型将是 HTML。并且在此之前，我们还有一个主题。所以您可以在这里写一个自定义主题，关于预约的确认，或者其他任何您觉得合适的。所以我将写成“预约确认”。我将写成“关于您即将到来的预约的确认”。现在是消息部分。消息应该是首先我将拖放正在寻找预约的人的名字。所以我将写成“嗨，[姓名]”。所以这里您可以看到在底部区域，您已经可以看到结果。所以我将快速预览一下我的电子邮件将是什么样子。所以我将写成“我们很高兴地通知您，您的预约已根据您要求的日期被批准或确认”。我可以直接拖放该特定选项的日期。只需拖放它即可完成。看吧。请在预定时间前至少 10 分钟到达。看吧。您可以说“希望您度过愉快的一天”。您也可以在下方添加一些签名。比如“此致，敬礼”。我想完成了。现在向下滚动，没有其他选项了。现在您可以直接点击执行应用程序并查看试运行。是的。所以我们正在执行该步骤。节点已成功执行。现在，让我们回到 Gmail 并检查响应。所以这不是 Gmail。是的，就是那个。我收到了确认。是的，您可以展开。所以看吧。0 分钟前我们收到了预约安排。所以这是我们写的响应。嗨，我们很高兴地通知您，您在 Simply Learn 的预约已根据我们要求的日期 2 月 27 日得到确认，请至少提前 10 分钟到达。是的，就是那个。所以现在这足够了。但是如果正在寻找预约的人寻找过去的日期呢？比如我们目前是当前日期，但只是为了检查工作流程，他或她可能会选择过去的日期，如果这个自动化有效的话。如果这个人寻找过去的日期，这个自动化会给他发送继续。这不应该这样，对吧？所以为此，您也可以包含某些条件，以便它检查日期是否存在或是否在未来，如果它在未来，则给予预约。所以为此，您可以选择一个 IF 条件。所以我将添加 IF，所以如果日期在未来，如果为真，则继续执行发送电子邮件的触发器，如果为过去，则保持原样或不做任何操作。所以我将点击发送电子邮件，这是第一个节点，您可以直接关闭它，您已经有了想法，如果为过去，则我们有一个选项叫做“不做任何操作”。所以只需点击它，看吧。所以这是另一个这个特定工作流程的扩展。所以您可以直接替换它，然后您可以继续进行工作流程。所以如果日期是过去的，您可以直接忽略并转到“不做任何操作”，如果它是未来的，那么您可以检查可用的日历。您也可以将日历连接到这个特定的应用程序，然后您就可以开始了。还可以实时检查时间、日期等。所以它将完全运行。如果您希望我们也处理那个项目，请告诉我们。现在您可以转到 N8N 工作流自动化并查看一些模板。所以这里有 AI、销售、IT、运营、营销、文档运营、其他支持。所以您也可以选择其中任何一个选项。如果您正在寻找自定义或专用类型的模板，比如数据分析，您也可以查看并输入数据分析，然后点击搜索栏，然后您就可以获得所有这些模板，它们随时可用。所以这些是模板，您可以点击其中任何一个，然后根据您的需求开始使用它们。请在下面的评论部分告诉我们，并且为了安全起见，我将保存这个特定的工作流程并下载它，以便我可以将这个特定的工作流程附加到下面的描述框中。我将将其保存为我的工作流程，然后完成。这就到了结尾。至此，我们已经完成了本次关于初学者 AI 课程的会议。如果您需要任何帮助、PPD、GitHub 链接或本课程中使用的任何其他资源，请随时在下面的评论部分告诉我们，我们的专家团队将很乐意尽快为您提供帮助。下次见，感谢您的观看，并继续关注 Simply Done 的更多内容。