举例说明:智能行程规划助手 i.调用组件回复 用户提问“接下来一周新疆的天气怎么样?” agent针对query过思考模型,由于问题中是针对天气状况进行问询的,所以思考模型判断调用天气组件进行回答。 ii.使用知识库中百度搜索回复 用户提问“新疆有哪些著名景点?” agent针对query使用思考模型,由于问题中是针对景点进行问询的,而组件中没有关于景点推荐的工具,所以思考模型选择使用知识库检索。
比如,用户的问题是 今天天气怎么样? 。显然模型是不知道今天天气如何的,但是我们告诉它,你可以通过什么方法来查询天气。这个时候模型会判断,如果需要查询天气,则应该调用该方法,并且把参数也按照要求告诉我们。
如用户问“天气怎么样”,云端在返回天气答案的同时,会下发Hints指令,如“明天呢”、“天津呢”,引导用户进行多轮对话。
举例说明:智能行程规划助手 i.调用组件回复 用户提问“接下来一周新疆的天气怎么样?” agent针对query过思考模型,由于问题中是针对天气状况进行问询的,所以思考模型判断调用天气组件进行回答。 ii.使用知识库中百度搜索回复 用户提问“新疆有哪些著名景点?” agent针对query使用思考模型,由于问题中是针对景点进行问询的,而组件中没有关于景点推荐的工具,所以思考模型选择使用知识库检索。
last_user_response : 今天天气真好啊 , LLM_rewrite_query : 今天天气真好啊 , last_intent : } , endTime : null , recommendList : [ 今天天气怎么样 ] , rewriteQuery : 今天天气真好啊 , intent : null }
quot;: "399427ce-e999-11e9-94c8-fa163e4e6064_ws_2" } 一句话的最终识别结果: { "err_no":0, "err_msg":"OK", "type":"FIN_TEXT", "result":"北京天气怎么样
QIANFAN_SECRET_KEY ] = your_iam_sk client = Qianfan ( ) completion = client . chat . completions . create ( model = ernie-3.5-8k , messages = [ { role : user , content : 你好,我想知道明天北京的天气怎么样
contextText : 明白,那您觉得线上渠道服务怎么样?比如官网、APP这些,1-10分您打几分?
Q:怎么样更快检测到人脸? A:mFaceTracker.set_detection_frame_interval(10); 设置该参数,参数越小,就会人脸进入屏幕时更快的检测到人脸,单位ms
整个实际过程,大概10分钟左右,我们压缩播放整个过程,大家感觉这个形象怎么样,和张曼玉和林青霞像吗? 这样3D超写实的数字人,在娱乐、文旅、企业新锐代言人等各类场景中,都可以有广泛的应用前景。 >>百度智能云客悦 我们来看看第三个正在被大模型改变的领域,智能客服。