本發(fā)明涉及智能體開發(fā)領(lǐng)域，具體為一種零代碼ai智能體開發(fā)與部署數(shù)據(jù)管理系統(tǒng)及方法。

背景技術(shù)：

1、零代碼ai智能體開發(fā)是指利用現(xiàn)成的ai開發(fā)平臺和工具，無需編寫復(fù)雜的代碼的情況下，通過模型識別配置和定制化操作，快速構(gòu)建出可用ai智能體的技術(shù)。經(jīng)過零代碼部署的智能體可以進行自然語言對話、圖像識別、預(yù)測分析等任務(wù)。

2、零代碼智能體通過智能模型對數(shù)據(jù)流的處理來實現(xiàn)與用戶的交互，因此對于零代碼智能體的開發(fā)需要進行針對大數(shù)據(jù)模型的匹配和擬合，但受限于開發(fā)平臺的功能，各模型間彼此獨立，使得開發(fā)者在零代碼開發(fā)智能體的過程中，創(chuàng)新和定制方面受到一定的限制，使得用戶在于智能體的交互模型中只能擇一使用，無法實現(xiàn)一些復(fù)雜或個性化的需求。

3、此外，開發(fā)者在部署模型后還需要針對用戶反饋進行新模型的開發(fā)，但大部分用戶并不了解模型的工作原理，只能通過用戶的使用過程推測用戶對模型功能的需求，這需要開發(fā)人員進行額外的調(diào)查工作，不利于開發(fā)者對智能體模型的二次開發(fā)。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種零代碼ai智能體開發(fā)與部署數(shù)據(jù)管理系統(tǒng)及方法，以解決上述背景技術(shù)中提出的問題。

2、為了解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：一種零代碼ai智能體開發(fā)與部署數(shù)據(jù)管理系統(tǒng)，包括：數(shù)據(jù)流測試模塊、模型連通模塊、反饋處理模塊、項目遷移模塊和二次開發(fā)模塊；

3、所述數(shù)據(jù)流測試模塊用于生成隨機矢量數(shù)據(jù)流，對開發(fā)模型間的各調(diào)用接口作數(shù)據(jù)連通性測試，以數(shù)據(jù)連通性最高時對應(yīng)的數(shù)據(jù)流作為特征數(shù)據(jù)流，并測試模型間調(diào)用接口的時延，將時延最低的接口作為模型間的轉(zhuǎn)換接口；

4、所述模型連通模塊用于計算各模型特征數(shù)據(jù)流的一致性，按照一致性降序排列所有開發(fā)模型，順向連接模型間的轉(zhuǎn)換接口，構(gòu)成模型轉(zhuǎn)換隊列，基于模型轉(zhuǎn)換隊列開發(fā)配套處理程序，并將程序部署在服務(wù)平臺上；

5、所述反饋處理模塊用于獲取用戶提供的輸入數(shù)據(jù)流，計算輸入數(shù)據(jù)流于各模型特征數(shù)據(jù)流的一致性，按一致性順序在模型隊列上選取處理模型，將定向指針指向一致性最大的模型，使模型間轉(zhuǎn)換接口通信時延之和小于預(yù)設(shè)閾值，在處理模型中按一致性比例共享輸入數(shù)據(jù)流，并經(jīng)過模型處理在服務(wù)平臺上向用戶輸出答復(fù)數(shù)據(jù)流；

6、所述項目遷移模塊用于獲取用戶的反饋數(shù)據(jù)流，在反饋數(shù)據(jù)流與標(biāo)準(zhǔn)正向數(shù)據(jù)流間的一致性小于兩個模型特征數(shù)據(jù)流間的一致性時，則增加模型轉(zhuǎn)換隊列中后序模型一個單位的共享數(shù)據(jù)比例，否則減小一個單位的共享數(shù)據(jù)比例，并重新獲取用戶的反饋數(shù)據(jù)流，直到前序模型的共享數(shù)據(jù)比例下降到閾值后，關(guān)閉前序模型的轉(zhuǎn)換接口，定向指針移動一位；

7、所述二次開發(fā)模塊用于在用戶下線后輸出定向指針的位置和模型轉(zhuǎn)換隊列中各模型在服務(wù)過程中的數(shù)據(jù)共享比例，按照將共享比例、共享時長和時間衰減系數(shù)累乘，得到各模型的服務(wù)權(quán)重，在開發(fā)周期結(jié)束后，按照模型的服務(wù)權(quán)重開發(fā)新模型，再次將智能體部署到服務(wù)平臺上。

8、進一步的，所述數(shù)據(jù)流測試模塊包括：連通測試單元和時延測試單元；

9、所述連通測試單元用于生成隨機矢量數(shù)據(jù)流，在每兩個模型間測試連通性，存儲連通性最高時生成的數(shù)據(jù)流；

10、所述時延測試單元用于測試模型間各接口的調(diào)用時延，標(biāo)記時延最低的轉(zhuǎn)換接口。

11、進一步的，所述模型連通模塊包括：一致排列單元和接口連接單元；

12、所述一致排列單元用于計算模型間特征數(shù)據(jù)流的一致性，按照一致性順序排列所有模型；

13、所述接口連接單元用于通過模型間的轉(zhuǎn)換接口單向連接所有模型，構(gòu)成模型轉(zhuǎn)換隊列，并設(shè)置隊列的初始指針。

14、進一步的，所述反饋處理模塊包括：輸入輸出單元、模型部署單元和比例接入單元；

15、所述輸入輸出單元用于在智能體平臺上獲取用戶的輸入內(nèi)容，轉(zhuǎn)換為輸入數(shù)據(jù)流上傳到服務(wù)器，并將服務(wù)器反饋的答復(fù)數(shù)據(jù)流轉(zhuǎn)換為自然語言輸出；

16、所述模型部署單元用于將模型轉(zhuǎn)換隊列部署在服務(wù)器中，接收輸入數(shù)據(jù)流，輸出答復(fù)數(shù)據(jù)流；

17、所述比例接入單元用于根據(jù)輸入數(shù)據(jù)流于特征數(shù)據(jù)流的一致性選取在模型轉(zhuǎn)換隊列上選取模型，并按比例接收模型的答復(fù)數(shù)據(jù)。

18、進一步的，所述項目遷移模塊包括：指針滑動單元、模型轉(zhuǎn)換單元和比例伸縮單元；

19、所述指針滑動單元用于根據(jù)用戶的反饋數(shù)據(jù)流，判斷前序答復(fù)數(shù)據(jù)的答復(fù)效果，按答復(fù)效果的高低轉(zhuǎn)換答復(fù)模型；

20、所述模型轉(zhuǎn)換單元用于移動定向指針，調(diào)整答復(fù)模型的數(shù)據(jù)共享比例，在服務(wù)器上開啟或關(guān)閉模型；

21、所述比例伸縮單元用于計算共享比例的調(diào)整量，使模型選取方式與用戶需求快速匹配。

22、進一步的，所述二次開發(fā)模塊包括：權(quán)重輸出單元和再次部署單元；

23、所述權(quán)重輸出單元用于在用戶從智能體平臺下線后，輸出服務(wù)過程中各模型的服務(wù)權(quán)重；

24、所述再次部署單元用于在開發(fā)周期中給出新模型的開發(fā)方向，將新模型重新部署到智能體平臺上。

25、一種零代碼ai智能體開發(fā)與部署數(shù)據(jù)管理方法，包括以下步驟：

26、步驟s1.選取開發(fā)模型間時延最低的接口作為轉(zhuǎn)換接口，生成隨機數(shù)據(jù)流，對開發(fā)模型的轉(zhuǎn)換接口作數(shù)據(jù)連通性測試，連通性最高時生成的數(shù)據(jù)流記為模型的特征數(shù)據(jù)流；

27、步驟s2使用數(shù)據(jù)流對比方法，得到各模型特征數(shù)據(jù)流的一致性，按照一致性降序排列所有開發(fā)模型，通過轉(zhuǎn)換接口將模型作隊列連接，構(gòu)成模型轉(zhuǎn)換隊列部署在服務(wù)器中；

28、步驟s3.用戶向智能體提供輸入數(shù)據(jù)流，計算輸入數(shù)據(jù)流與各模型特征數(shù)據(jù)流的一致性，一致性最高的模型作為起始模型，按照一致性比例，在起始模型和起始模型隊列的后序模型中分享輸入數(shù)據(jù)，處理后得到輸出數(shù)據(jù)；

29、步驟s4.用戶針對輸出數(shù)據(jù)提供反饋數(shù)據(jù)流，由當(dāng)前反饋數(shù)據(jù)流與歷史反饋數(shù)據(jù)流間的一致性，調(diào)整模型轉(zhuǎn)換隊列中各模型輸入數(shù)據(jù)的分享比例，重復(fù)執(zhí)行直到起始模型的分享比例低于閾值，在服務(wù)器中更換起始模型；

30、步驟s5.用戶下線后將各模型在服務(wù)過程中的數(shù)據(jù)共享比例、共享時長和時間衰減系數(shù)累加，得到模型的服務(wù)權(quán)重，開發(fā)周期結(jié)束后，輸出模型在開發(fā)周期內(nèi)全部服務(wù)權(quán)重的比例，并重新部署模型。

31、進一步的，步驟s1包括：

32、步驟s11.對開發(fā)模型的所有接口進行ping指令測試，獲取接口的反饋時延，將模型中時延最小的接口作為模型的轉(zhuǎn)換接口，所述轉(zhuǎn)換接口用于模型間的信號傳輸和數(shù)據(jù)共享；

33、步驟s12.將每兩個模型通過轉(zhuǎn)換接口進行連接，利用自然語言生成軟件生成適用于智能體的隨機數(shù)據(jù)流，所述隨機數(shù)據(jù)流的數(shù)據(jù)量為固定值，向第一模型輸入隨機數(shù)據(jù)流，并從第二模型獲得輸出，計算輸出數(shù)據(jù)的數(shù)據(jù)量與輸入數(shù)據(jù)數(shù)據(jù)量間的比值，記作第一模型的連通性；

34、步驟s13.重復(fù)生成隨機數(shù)據(jù)流a次，a為預(yù)設(shè)的測試次數(shù)，記錄測試過程中各模型連通性最高時生成的隨機數(shù)據(jù)流，將該隨機數(shù)據(jù)流作為模型的特征數(shù)據(jù)流。

35、進一步的，步驟s2包括：

36、步驟s21.按照數(shù)據(jù)流對比方法計算各模型特征數(shù)據(jù)流的一致性，所述數(shù)據(jù)流對比方法如下：

37、

38、其中，q代表當(dāng)前模型特征數(shù)據(jù)流的一致性，n代表模型的數(shù)量，m代表特征數(shù)據(jù)流的數(shù)據(jù)量，c1j和c1j+1代表當(dāng)前模型特征數(shù)據(jù)流中第j和第j+1個數(shù)據(jù)點，cij和cij+1代表第i個模型的特征數(shù)據(jù)流中第j和第j+1個數(shù)據(jù)點；

39、步驟s22.按照一致性系數(shù)降序排列所有模型，并按照排列順序，通過模型中的轉(zhuǎn)換接口線性連接各模型，構(gòu)成模型轉(zhuǎn)換隊列；

40、步驟s23.將模型轉(zhuǎn)換隊列部署在服務(wù)器中，在前端智能體平臺上獲取用戶的輸入內(nèi)容，轉(zhuǎn)換為輸入數(shù)據(jù)流上傳到服務(wù)器，并在服務(wù)器對輸入數(shù)據(jù)處理完畢后，將服務(wù)器反饋的輸出數(shù)據(jù)流通過智能體平臺輸出。

41、進一步的，步驟s3包括：

42、步驟s31.用戶與智能體進行交互，智能體前端將用戶的交互輸入轉(zhuǎn)換為數(shù)據(jù)流格式發(fā)送到服務(wù)器中，作為用戶的輸入數(shù)據(jù)流，計算輸入數(shù)據(jù)流與各模型特征數(shù)據(jù)流的一致性，一致性最高的模型作為起始模型；

43、步驟s32.在隊列中設(shè)置指向起始模型的指針，選中隊列中起始模型后c個模型作為共享模型，c為滿足不等式t1+t2+…+tc<tr情況下的最大值，其中t1、t2、…tc分別代表起始模型后1到c個模型與后序相鄰模型間的通信時延，tr為預(yù)設(shè)時延閾值；

44、步驟s33.計算各共享模型的輸入數(shù)據(jù)分享比例yc，所述yc＝qc/σq，其中qc代表共享模型特征數(shù)據(jù)流與輸入數(shù)據(jù)流的一致性，σq代表所有模型特征數(shù)據(jù)流與輸入數(shù)據(jù)流的一致性之和；

45、步驟s34.按照比例將輸入數(shù)據(jù)拆分，分別送入共享模型中處理，利用cluster數(shù)據(jù)整合工具匯總各模型處理后的輸出數(shù)據(jù)，作為反饋數(shù)據(jù)發(fā)送到前端智能體中。

46、進一步的，步驟s4包括：

47、步驟s41.前端智能體獲取用戶的反饋數(shù)據(jù)，按以下方法對數(shù)據(jù)共享比例進行調(diào)整：

48、s41-1.若無歷史反饋數(shù)據(jù)，轉(zhuǎn)到s41-2，若存在歷史反饋數(shù)據(jù)，轉(zhuǎn)到s41-3；

49、s41-2.計算反饋數(shù)據(jù)流與標(biāo)準(zhǔn)正向數(shù)據(jù)流間的一致性，若小于起始模型與隊列中后序模型的一致性，則將起始模型的數(shù)據(jù)共享比例減小一個預(yù)設(shè)單位，減小的比例在其余共享模型中進行分配，否則將起始模型的數(shù)據(jù)共享比例增加一個預(yù)設(shè)單位，增加的比例由其余共享模型提供；

50、s41-3.計算當(dāng)前反饋數(shù)據(jù)流與上一次反饋數(shù)據(jù)流間的一致性，若小于起始模型與隊列中后序模型的一致性，則將起始模型的數(shù)據(jù)共享比例減小u個單位，所述u＝(qb-qn)/qe，其中qb代表當(dāng)前反饋數(shù)據(jù)流與上一次反饋數(shù)據(jù)流間的一致性，qn代表歷史反饋數(shù)據(jù)流間一致性的均值，qe代表起始模型與隊列中后序模型的一致性，否則將起始模型的數(shù)據(jù)共享比例增加u個單位；

51、步驟s42.每次得到用戶的反饋數(shù)據(jù)流時執(zhí)行一次步驟s41，若執(zhí)行完畢后起始模型的數(shù)據(jù)共享比例低于預(yù)設(shè)閾值，則將其余共享模型中數(shù)據(jù)共享比例最高的模型標(biāo)記為新的起始模型。

52、進一步的，步驟s5包括：

53、步驟s51.用戶與智能體的交互結(jié)束后，計算各模型的服務(wù)權(quán)重：

54、

55、其中，rc代表模型的服務(wù)權(quán)重，k代表用戶交互次數(shù)，yv代表第v次交互時模型的數(shù)據(jù)共享比例，tv代表用戶第v次交互持續(xù)的時長，h代表預(yù)設(shè)的時間衰減系數(shù)；

56、步驟s52.開發(fā)周期結(jié)束后，計算開發(fā)周期內(nèi)各模型服務(wù)權(quán)重之和，按照計算結(jié)果的比例開發(fā)新模型，并在智能體服務(wù)器中重新部署。

57、與現(xiàn)有技術(shù)相比，本發(fā)明所達(dá)到的有益效果是：

58、1.本發(fā)明能夠利用隨機數(shù)據(jù)流對各類模型進行數(shù)據(jù)連通性測試，以數(shù)據(jù)連通性最高時對應(yīng)的數(shù)據(jù)流作為特征數(shù)據(jù)流，按照各模型特征數(shù)據(jù)流的向量一致性排列模型，順向連接轉(zhuǎn)換接口，使孤立模型相互連通，通過分享數(shù)據(jù)生成更準(zhǔn)確的輸出內(nèi)容，可以提高處理數(shù)據(jù)的能力，加強智能體系統(tǒng)的準(zhǔn)確性、魯棒性和運行效率。

59、2.本發(fā)明能夠根據(jù)用戶向智能體提供數(shù)據(jù)流，分析輸入數(shù)據(jù)流與特征數(shù)據(jù)流的一致性，按照一致性比例通過轉(zhuǎn)換接口在模型間分享輸入數(shù)據(jù)流，可以按照用戶偏好調(diào)整模型的類型和調(diào)用比例，可以提升用戶體驗，并不斷優(yōu)化智能體的輸出內(nèi)容，使智能體服務(wù)過程中獲得良好的性能優(yōu)化曲線。

60、3.本發(fā)明在用戶下線后，根據(jù)當(dāng)前模型接入比例，輸出模型的連接權(quán)重，每個開發(fā)周期中，將連接權(quán)重最高的模型開發(fā)為新模型，免去了用戶調(diào)研的過程，可以加快智能體的開發(fā)進度，增強智能體的人性化交互，保證開發(fā)過程的高競爭力和高效率。