创建

登录 ReadmeX

或

了解我们如何处理你的信息: 隐私政策

ReadmeX

陪你读懂 AI 动态

今天,想先了解什么?

选一份动态总结,或直接聊聊你的问题。

社区和关注动态总结只属于你自己。

资讯

主动智能体的两级事件过滤

AI 总结

一篇文章提供了一个 80 行、仅使用 Python 标准库的两级过滤模拟器:先用确定性的 Fast Path 执行准入检查,再将候选事件交给基于 LLM 的 Slow Path 做语义分流。在 6 条事件的测试中,3 条被程序层过滤,1 条被模拟语义层拒绝,另有 2 条可进入派发或记录流程。模拟器支持 observe 和 auto 两种模式,并以确定性关键词规则替代真实 LLM。DeepSeek 的延迟、token 消耗和路由数据来自团队自报的模拟或合成测试,未经独立审计。

深度见解

该实现展示了如何通过确定性授权与降噪,减少需要进入模型分流的事件数量,并明确区分可运行的模拟器结果与未经审计的性能声明。其基于关键词的 Slow Path 不能证明真实 LLM 的语义表现,相关项目也被说明是尚未达到生产就绪标准的研究原型。

主动性 Agent 工程周 · Day 2(周二)。昨天拆了 dsh-superagent 的整体架构,今天进入最容易被做歪的一环:一条环境事件从进来到"开工"或"闭嘴",中间到底发生了什么。 本文含一个 80 行、纯标准库、可离线复跑的两级过滤模拟器,文末输出经实际运行验证。

一、为什么不能每条消息都过模型

接入真实群聊和代码平台后,事件流有个残酷特征:高噪音、低触发率。一个研发群一天几百条消息,闲聊占九成以上;真正该让 Agent 动手的触发,一天可能一两次。

如果每条消息都调 LLM 从头判断"要不要动",延迟和成本都不可接受。DeepSeek 在《Super-agent 设计探索》里搬来了计算机系统的经典思路 Fast Path / Slow Path:

  • Fast Path(程序层策略):把明确、稳定的高频判断固化成确定性代码——事件来源、群组范围、用户/Bot 白名单,直接代码准入检查。毫秒级、零模型成本,在调模型前滤掉大部分噪音。
  • Slow Path(语义层策略):通过程序层准入的候选事件,才交给 LLM,按提示词里的策略判断"随口吐槽还是真问题"。

#DeepSeek#dsh-superagent#dsh-superagent-prototype

原文约 9 分钟读完阅读原文
群聊

还没有评论,来说说你的看法。