الخطوات الرئيسية في بناء هذا النظام البحثي متعدد الوكلاء هي:

1. إنشاء ثلاثة مساعدين GPT مختلفين:

   • المدير: يقرأ ويحدث قاعدة بيانات Airtable، ويقسم مهام البحث، ويفوض إلى مدير البحث والباحثين.
   • مدير البحث: يقوم بتوليد خطط البحث، ومراجعة، وضمان الجودة للبحث الذي يقدمه الباحثون.
   • الباحث: الوكيل الذي يتصفح الإنترنت ويجمع المعلومات ويُنتج نتائج البحث.

2. استخدام إطار عمل Anthropic's Autogon:

   • يبسط Autogon استخدام OpenAI Assistant API من خلال توفير طريقة بسيطة لتنسيق التعاون بين الوكلاء المختلفين.

3. تنفيذ الوظائف اللازمة:

   • البحث على Google
   • استخراج المعلومات من المواقع الإلكترونية والتلخيص
   • استرداد وتحديث سجلات Airtable

4. ربط الوكلاء معًا:

   • إنشاء دردشة جماعية مع وكيل الوكيل المستخدم والباحث ومدير البحث والمدير.
   • إطلاق رسائل إلى المجموعة لبدء عملية البحث.

في الماضي، كان وكيل البحث الخاص بي نموذج لغة خطي بسيط يتبع عملية بسيطة للغاية. كان بإمكانه أخذ موضوع بحث، وإطلاق بحث على Google، والسماح لنموذج اللغة الكبير باختيار الروابط الأكثر صلة وتحرير المواقع الإلكترونية. ثم كان الوكيل ينشئ تقريرًا بناءً على المعلومات المجمعة. على الرغم من أن هذا النهج كان يعمل، إلا أنه كان محدودًا للغاية في المهام البحثية الأساسية والواضحة.

بعد شهرين، تطور وكيل البحث ليصبح وكيل الذكاء الاصطناعي - مزيج من نموذج اللغة الكبير والذاكرة والأدوات. كان هذا الوكيل قادرًا على التفكير لتقسيم هدف كبير إلى مهام فرعية ولديه إمكانية الوصول إلى أدوات مختلفة مثل Google Search API لإكمال تلك المهام. كما كان لديه ذاكرة طويلة الأمد لتذكر إجراءاته السابقة. الاختلاف الأساسي هو أن وكيل الذكاء الاصطناعي كان أكثر توجهًا نحو الهدف، مما سمح له باتخاذ إجراءات متعددة لإكمال مهمة البحث، حتى مع أهداف غامضة إلى حد ما.

كان هذا الإصدار الثاني من وكيل البحث تحسينًا كبيرًا، حيث قدم نتائج بحث عالية الجودة وقائمة بروابط المراجع. ومع ذلك، لا يزال لديه بعض المشكلات. لم تكن جودة النتائج متسقة دائمًا، وواجه الوكيل صعوبات في الإجراءات المعقدة أو المقيدة التي لم يتم تصميم نموذج OpenAI لمعالجتها، مثل العثور على معلومات اتصال محددة.

جاء الاختراق التالي مع ظهور أنظمة الوكلاء المتعددة مثل M-GPT و ChatDef. هدفت هذه الأنظمة إلى تحسين أداء المهام من خلال إدخال ليس وكيل واحد فقط ولكن عدة وكلاء يعملون معًا. جعلت الأطر الحديثة مثل Autogon إنشاء هذه الأنظمة التعاونية أسهل، مما سمح بإنشاء هياكل ومنشآت مرنة لتنسيق التعاون بين الوكلاء المختلفين.

مع إصدار OpenAI Assistant API و GPT-3، انخفضت تكلفة بناء وكلاء مفيدين بشكل كبير. هذا دفعني إلى إنشاء باحث AI 3.0، حيث لا يزال الوكيل الباحث الأصلي يقوم بالبحث، ولكن تم إدخال وكيل مدير البحث لنقد النتائج وضمان مراقبة الجودة. بالإضافة إلى ذلك، يمكن إضافة وكيل مدير البحث لتقسيم أهداف البحث الكبيرة إلى مهام فرعية وتفويضها إلى مدير البحث والباحثين، بالإضافة إلى التعامل مع المهام مثل القراءة من قاعدة بيانات Airtable والكتابة إليها.

يمثل هذا النظام متعدد الوكلاء تحولاً في الطريقة التي نفكر بها في الذكاء الاصطناعي العام. بدلاً من وجود ذكاء اصطناعي واحد قادر على القيام بكل شيء، يركز التركيز على إنشاء وكلاء متخصصين يمكنهم التعاون نحو هدف مشترك. يعالج هذا النهج التحديات الفنية لتدريب نظام ذكاء اصطناعي عام قوي واحد.

المفتاح لتدريب هؤلاء الوكلاء المتخصصين للغاية يكمن في طريقتين شائعتين: التحسين الدقيق والاسترجاع المعرفي المعزز بالتوليد (RAG). يكون التحسين الدقيق مفيدًا عندما تريد تحسين مهارات النموذج في أداء مهام محددة، بينما يكون RAG أكثر ملاءمة لتزويد نماذج اللغة الكبيرة بالبيانات الدقيقة والحديثة.

لجعل عملية التحسين الدقيق أكثر سهولة في الوصول إليها، ظهرت منصات مثل Gradio، والتي تبسط عملية التحسين الدقيق للنماذج المفتوحة المصدر عالية الأداء مثل LLaMA و Hermit. يزيل Gradio الحاجة إلى البنية التحتية المخصصة ووحدات الحوسبة، مما يسمح للمطورين والشركات بالتحسين الدقيق للنماذج باستخدام بضع سطور من الرمز وطريقة تسعير دفع حسب الاستخدام.

من خلال الاستفادة من هذه التطورات، يمكن لنظام الباحث AI 3.0 الآن تقديم نتائج بحث أكثر اتساقًا وأكثر استقلالية، حيث يتعاون الوكلاء المختلفون لضمان الجودة والكفاءة.