在本节中，我们定期分享关于如何更好地使用大型语言模型（LLMs）的各种有趣研究发现。这些内容包括新的技巧、见解以及围绕重要LLM研究领域（如扩展、代理、效率、幻觉、架构、提示注入等）的最新进展。

LLM研究和人工智能研究整体发展迅速，因此我们希望这一资源能够帮助研究人员和开发者及时了解重要进展。如果您希望分享您的研究或实验中的激动人心的发现，我们也欢迎您为本节贡献内容。

1. LLM Agents

基于LLM的代理（以下简称LLM代理）涉及通过将LLM与规划、记忆等关键模块结合的架构来执行复杂任务的LLM应用。在构建LLM代理时，LLM作为主控制器或“大脑”，控制完成任务或用户请求所需的一系列操作。LLM代理可能需要规划、记忆和工具使用等关键模块。

为了更好地说明LLM代理的实用性，假设我们希望构建一个系统来帮助回答以下问题：

2023年美国的人均每日卡路里摄入量是多少？

上述问题可能可以通过一个已经具备相关知识直接回答的LLM来解决。如果LLM没有相关知识来回答问题，可以使用一个简单的RAG（检索增强生成）系统，让LLM访问健康相关的信息或报告。现在，让我们给系统一个更复杂的问题，例如：

过去十年中，美国成年人的人均每日卡路里摄入量趋势如何变化？这种变化对肥胖率可能产生了什么影响&#