修改项目结构+7，4 一部分

docs/chapter7/7.1 LLM的评测.md

@@ -1,4 +1,4 @@
-# 8.1 LLM 的评测
+# 7.1 LLM 的评测
 
 近年来，随着人工智能领域的迅猛发展，大规模预训练语言模型（简称大模型）成为了推动技术进步的核心力量。这些大模型在自然语言处理等任务中展现出了令人惊叹的能力。然而，要准确衡量一个大模型的性能，必须依靠科学而合理的评测。
 
@@ -6,7 +6,7 @@
 
 大模型的开发成本高昂，涉及大量的计算资源和数据，因此评测对于确保模型的实际价值至关重要。首先，评测能够揭示模型在各种任务中的表现，帮助研究人员和企业判断模型的适用性和可靠性。其次，评测可以暴露模型的潜在弱点，例如偏见、鲁棒性问题等，从而为进一步优化和改进提供依据。此外，公平、公开的评测还为学术界和工业界提供了一个共同的标准，促进了技术的交流与进步。
 
-## 8.1.1 LLM 的评测数据集
+## 7.1.1 LLM 的评测数据集
 
 在大模型的评测过程中，使用标准化的评测集至关重要。目前，主流的大模型评测集主要从以下几个方面进行评估，每个评测集都有其独特的用途和典型应用场景：
 
@@ -36,7 +36,7 @@
 这些评测集的多样性帮助我们全面评估大模型在不同任务和应用场景中的表现，确保模型在处理多样化任务时能够保持高效和精准的表现。例如，在MMLU评测中，某些大模型在历史、物理等学科任务中表现优异，展现出对多领域知识的深度理解；在GSM8K数学评测中，最新的大模型在算术和方程求解方面表现接近甚至超越了一些人类基准，显示出在复杂数学推理任务中的潜力。这些实际评测结果展示了模型在各类复杂任务中的进步和应用潜力。
 
 
-## 8.1.2 主流的评测榜单
+## 7.1.2 主流的评测榜单
 
 大模型的评测不仅限于使用特定的数据集，许多机构还会根据评测结果发布模型排行榜，这些榜单为学术界和工业界提供了重要的参考，帮助他们了解当前最前沿的技术和模型。以下是一些主流的评测榜单：
 
@@ -58,7 +58,7 @@ OpenCompass是国内的评测榜单，针对大模型在多种语言和任务上
 
 ![OpenCompass](./images/8-1-opencompass.png)
 
-## 8.1.3 特定的评测榜单
+## 7.1.3 特定的评测榜单
 
 此外，还有针对不同领域特定任务的大模型评测榜单，这些榜单专注于特定应用领域，帮助用户了解大模型在某一垂直领域的能力：
 

docs/chapter7/7.3 RAG.md

@@ -1,6 +1,6 @@
-# 8.3 RAG 
+# 7.3 RAG 
 
-## 8.3.1 RAG 的基本原理
+## 7.3.1 RAG 的基本原理
 
 大语言模型（LLM）在生成内容时，虽然具备强大的语言理解和生成能力，但也面临着一些挑战。例如，LLM有时会生成不准确或误导性的内容，这被称为大模型“幻觉”。此外，模型所依赖的训练数据可能过时，尤其在面对最新的信息时，生成结果的准确性和时效性难以保证。对于特定领域的专业知识，LLM 的处理效率也较低，无法深入理解复杂的领域知识。因此，如何提升大模型的生成质量和效率，成为了当前研究的重要方向。
 
@@ -8,7 +8,7 @@
 
 RAG 的核心原理在于将“检索”与“生成”结合：当用户提出查询时，系统首先通过检索模块找到与问题相关的文本片段，然后将这些片段作为附加信息传递给语言模型，模型据此生成更为精准和可靠的回答。通过这种方式，RAG 有效缓解了大语言模型的“幻觉”问题，因为生成的内容建立在真实文档的基础上，使得答案更具可追溯性和可信度。同时，由于引入了最新的信息源，RAG 技术大大加快了知识更新速度，使得系统可以及时吸收和反映最新的领域动态。
 
-## 8.3 2 搭建一个 RAG 框架
+## 7.3.2 搭建一个 RAG 框架
 
 接下来我会带领大家一步一步实现一个简单的RAG模型，这个模型是基于RAG的一个简化版本，我们称之为Tiny-RAG。Tiny-RAG只包含了RAG的核心功能，即检索和生成，其目的是帮助大家更好地理解RAG模型的原理和实现。
 

docs/chapter7/7.4 Agent.md

@@ -0,0 +1,39 @@
+# 7.4 Agent
+
+## 7.4.1 什么是 LLM Agent？
+
+LLM Agent，即基于大型语言模型（LLM）构建的智能代理，是一种能够自主进行推理、规划、行动并与环境交互的 AI 系统. 与传统的聊天机器人不同，LLM Agent 具备独立决策能力，能够利用各种工具，记住之前的交互信息，并执行复杂的任务流程，而这一切只需要最少的人工干预. 这种自主性使得 LLM Agent 非常适合处理需要多步骤推理和规划、与 API 和工具进行实时交互、感知环境变化并做出适应以及在不确定性下自主执行的任务。
+
+例如，当用户提出“在中国合同违约可能有哪些法律后果？”这样的问题时，一个 LLM Agent 可以自主地完成以下步骤：搜索法律数据库，提取相关信息，总结案例，并最终呈现潜在的法律结果，而无需人工的逐步指导。
+
+LLM Agent 的核心在于其能够像人类一样进行“链式思考”推理，理解问题解决的原理，并将复杂的任务分解为更小、更简单的步骤. 这种能力是通过提示模型逐步思考来实现的，并且可以通过让模型回顾自身过去的行动并纠正错误来进行改进。
+
+一个设计完善的 LLM Agent 通常由四个关键模块组成：
+
+- 大脑（核心 LLM）: 作为中央决策者，负责执行推理、规划和语言生成。  
+- 记忆: 用于存储和检索信息的模块，帮助 Agent 记住之前的交互和决策。 
+- 感知: 将输入（文本、图像、音频）转换为可理解的格式，使 Agent 能够观察和解释环境。   
+- 行动: 通过调用 API、与工具交互或生成文本/代码来执行决策，有时也包括具身行动（例如，在机器人具身只能技术中）
+
+LLM Agent 通过将大型语言模型的强大语言理解和生成能力与规划、记忆和工具使用等关键模块相结合，实现了超越传统大模型的自主性和复杂任务处理能力，这种能力使得 LLM Agent 在许多垂直领域（如法律、医疗、金融等）都具有广泛的应用潜力。
+
+## 7.4.2 LLM Agent 的类型
+
+LLM Agent 可以根据其功能、设计和应用场景进行多种分类. 以下是一些常见的类型：
+
+- 对话型 Agent (Conversational Agents): 这些 Agent 旨在与用户进行自然的对话，提供信息、回答问题并协助完成各种任务。它们依赖 LLM 来理解和生成类似人类的响应，例如客户支持聊天机器人和医疗保健聊天机器人. 
+  
+- 任务型 Agent (Task-Oriented Agents): 这些 Agent 专注于执行特定的任务或实现预定义的目标。它们与用户交互以理解需求，然后执行操作以满足这些需求，例如 AI 助手和 HR 机器人. 任务型 Agent 能够分解复杂的目标，制定行动计划，并利用工具来完成任务. 它们通常用于自动化重复性工作流程，提高生产力.   
+
+- 创造型 Agent (Creative Agents): 这些 Agent 能够生成原创和创造性的内容，如艺术品、音乐或写作。它们使用 LLM 来理解人类的偏好和艺术风格，从而产生能引起受众共鸣的内容，例如内容生成工具和图像生成工具. 
+  
+- 协作型 Agent (Collaborative Agents): 这些 Agent 与人类或其他 AI 协同工作以完成共同的目标或任务，促进团队成员之间或人机之间的沟通、协调与合作。LLM 可以通过协助决策、生成报告或提供见解来支持协作型 Agent，例如企业 AI Agent 和项目管理聊天机器人.   
+
+- 多模态 Agent (Multimodal Agents): 这些 Agent 不仅限于文本，还可以处理和生成各种格式的内容，包括音频、图像和视频。这种能力实现了更丰富和更具沉浸感的交互，例如能够解释视觉数据或根据文本描述生成图像的虚拟助手. 
+  
+- 自主型 Agent (Autonomous Agents): 这些 Agent 被设计为以最少的人工干预运行，能够独立做出决策并执行操作。它们通常用于需要持续运行的环境中，例如处理重复性业务流程的机器人流程自动化机器人.  
+ 
+- 多 Agent 系统 (Multi-Agent Systems): 这些系统涉及多个 LLM Agent 协同工作，通过利用各种专业 Agent 的优势来处理复杂的任务。它们相互通信和协调以实现共同目标，例如一个 Agent 收集数据，另一个分析数据，第三个根据分析生成报告.  
+ 
+- 规则型 Agent (Rule-Based Agents): 这些 Agent 基于预定义的算法和严格的协议运行。它们遵循确定性原则，即某些输入会导致基于既定规则的特定响应。这些 Agent 在需要一致输出的情况下非常有效，例如客户支持或故障排除指南。然而，规则型 Agent 缺乏灵活性，难以处理超出其编程规则的情况.   
+