让大模型返回json格式，方便直接处理数据。
LLM支持json格式：
def chat(self, user\_prompt, json\_mode=False): kwargs = {} if json\_mode: kwargs\["response\_format"\] \= {"type": "json\_object"} completion = self.client.chat.completions.create( model\=self.model, messages\=\[ {"role": "system", "content": self.system\_prompt}, {"role": "user", "content": user\_prompt} \], temperature\=0.3, \*\*kwargs ) return completion.choices\[0\].message.content
但在使用时，需要指定json字典的key，否则这个key就是随机的。
import json from core.llm import LLM resp = LLM().chat('你是谁？格式为{“name”:"xxxx","介绍":"xxxx"}')
print(resp)
json\_resp = json.loads(resp)
print(json\_resp) resp = LLM().chat('你是谁？格式为{“name”:"xxxx","介绍":"xxxx"}', json\_mode\=True)
print(resp)
json\_resp = json.loads(resp)
print(json\_resp\['name'\]) 指令遵循还不错的：
大模型agent的框架是否需要，这个问题比较纠结。
现在流行的langchain以及更高级的crewai，对大模型做了很多抽象和封装。除了一些tool有用——但这些tool可以拆分出来。
但agent之前的关联，其实本质上还是线性的，就是指望大模型去分拆步骤，然后自主完成任务，目前看还有难度。
Agentic设计模式常见的有4种：
-
基于reflection的，纯粹的对结果反思，无外部交互。这是一个非常基础的模式，尽管很简单，但却可以为结果带来挺大的提升。
-
与工具交互，并对交互结果进行推理。LLM中存储的信息通常不足以准确、有见地地回答问题。这个模式不具备迭代调用。
-
有规划模块，能完成任务拆解，任务规划，反思迭代。通过将任务分解为更小、更容易完成的子目标，而不会迷失最终目标。
-
多Agent系统，像 crewAI 或 AutoGen 这样的框架，它们允许创建Multi-Agent的应用。任务可以划分为由不同角色执行的小任务。
如何学习AI大模型？
作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的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。
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】
一、全套AGI大模型学习路线
AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！
二、640套AI大模型报告合集
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。
