La mise à jour importante d'Autogen de Microsoft, un puissant cadre de conversation multi-agents, se concentre sur l'amélioration de sa capacité à gérer des tâches complexes et à améliorer les performances des agents. Cette mise à jour, présentée par Adam Forna, chercheur principal chez Microsoft Research AI, montre l'efficacité de l'utilisation de plusieurs agents travaillant de manière collaborative pour accomplir des tâches multi-étapes complexes.

Les principaux points forts de cette mise à jour sont :

1. Amélioration de l'achèvement des tâches : Le nouveau cadre Autogen peut surpasser les solutions précédentes à agent unique sur des référentiels comme GAIA, démontrant sa capacité à relever des tâches complexes de manière plus efficace.

2. Arrangements d'agents personnalisables : Les utilisateurs peuvent désormais créer des arrangements d'agents personnalisables qui peuvent collaborer, raisonner et utiliser divers outils pour atteindre des résultats complexes.

3. Raisonnement et utilisation d'outils améliorés : Les agents du cadre Autogen ont la capacité de raisonner, de planifier et d'utiliser des outils pour accomplir des tâches, allant au-delà de la simple génération de texte.

4. Résolution de tâches itérative : Les agents suivent une boucle d'attribution de tâches, de suivi des progrès et de mise à jour de leur approche s'ils rencontrent une stagnation, permettant une exploration plus systématique des solutions.

5. Améliorations futures : L'équipe Autogen explore des opportunités pour introduire de nouveaux agents capables d'apprendre et de s'améliorer avec l'expérience, de mieux comprendre les informations visuelles et d'employer des stratégies plus pragmatiques pour explorer les espaces de solution.

La nouvelle mise à jour du cadre Autogen de Microsoft montre l'efficacité de l'utilisation de plusieurs agents travaillant ensemble pour accomplir des tâches complexes et multi-étapes. Selon Adam Forna, chercheur principal chez Microsoft Research AI, cette approche permet aux agents de surpasser les solutions précédentes à agent unique sur des référentiels comme GAIA.

La clé de ce succès réside dans la capacité de créer des arrangements d'agents personnalisables qui peuvent collaborer, raisonner et utiliser divers outils pour atteindre des résultats complexes. Forna décrit les agents comme des "abstractions très puissantes" qui peuvent gérer la décomposition des tâches, la spécialisation et l'utilisation d'outils. En assemblant l'équipe d'agents appropriée, les utilisateurs peuvent s'attaquer plus efficacement à des problèmes complexes.

Le cadre Autogen, qui est open-source et disponible sur GitHub, permet la création de ces workflows multi-agents. La démonstration présentée par Forna montre une équipe de quatre agents : un assistant général, un terminal informatique, un serveur web et un orchestrateur. Cette équipe a pu obtenir les meilleurs résultats sur le référentiel GAIA, plus que doubler les performances sur les questions les plus difficiles.

Les agents suivent un plan structuré, en commençant par l'invite de tâche et en construisant un "grand livre" de faits vérifiés, de suppositions et d'informations à rechercher. Ils délèguent ensuite les tâches aux agents individuels, surveillent les progrès et itèrent si nécessaire. Cette approche permet aux agents de raisonner, d'agir et d'observer, en tirant parti de leurs capacités spécialisées pour s'attaquer à des problèmes complexes.

Dans l'avenir, l'équipe Autogen est enthousiaste à l'idée d'explorer des opportunités d'améliorations supplémentaires, comme l'introduction d'agents capables d'apprendre et de s'améliorer, de mieux comprendre les informations visuelles et d'explorer plus systématiquement les espaces de solution. En continuant à repousser les limites de la collaboration multi-agents, Autogen vise à accomplir de manière fiable des tâches complexes et de longue durée à l'aide de grands modèles de base.

Adam Forna, chercheur principal chez Microsoft Research AI, a présenté les travaux de l'équipe sur l'accomplissement de tâches complexes à l'aide de workflows multi-agents dans le cadre Autogen. L'objectif était d'accomplir de manière fiable des tâches complexes et de longue durée à l'aide de grands modèles de base.

L'équipe a adopté l'approche d'utiliser des workflows multi-agents comme plateforme pour y parvenir. Les agents sont des abstractions puissantes qui peuvent gérer la décomposition des tâches, la spécialisation et l'utilisation d'outils. En assemblant une équipe d'agents, comme un assistant général, un terminal informatique, un serveur web et un orchestrateur, l'équipe a pu obtenir des performances de pointe sur le référentiel GIAI (General AI Assistance).

Plus précisément, le workflow à quatre agents de l'équipe a pu :

1. Dominer le classement GIAI : En mars, la solution de l'équipe a atteint les meilleurs résultats sur le classement GIAI, surpassant les solutions précédentes à agent unique d'environ 8 points.

2. Améliorer considérablement les questions les plus difficiles : La solution de l'équipe a pu plus que doubler les performances sur l'ensemble de questions les plus difficiles (niveau 3) du référentiel GIAI, que les auteurs ont décrit comme nécessitant "des séquences d'actions arbitrairement longues, l'utilisation d'un nombre quelconque d'outils et l'accès au monde en général".

La clé du succès de l'équipe réside dans le processus itératif suivi par leurs agents :

1. Produire un grand livre : Les agents commencent par produire une mémoire de travail composée de faits donnés ou vérifiés, de faits à rechercher et de suppositions éclairées.
2. Attribuer les tâches : Les tâches sont ensuite attribuées aux agents indépendants.
3. Itérer et déléguer : Les agents entrent dans une boucle interne, vérifiant s'ils ont terminé ou s'ils font encore des progrès. Tant qu'ils progressent, ils délèguent l'étape suivante à l'agent suivant.
4. Gérer les blocages : Si les agents ne progressent pas pendant trois tours, ils reviennent en arrière, mettent à jour le grand livre, élaborent un nouvel ensemble d'affectations et recommencent.

Cette configuration fonctionne bien pour l'équipe, et ils sont enthousiastes à l'idée d'introduire de nouveaux agents capables d'apprendre, de s'améliorer, de mieux comprendre les images et les captures d'écran, et d'explorer l'espace de solution de manière plus systématique.

Le cadre Autogen est open-source et disponible sur GitHub, et l'équipe encourage tout le monde à le découvrir et à se lancer avec cette nouvelle mise à jour puissante.

Les agents suivent une boucle structurée pour s'attaquer à des tâches complexes. Le processus commence par la question ou l'invite initiale, que les agents utilisent pour produire un "grand livre" - une mémoire de travail contenant des faits donnés ou vérifiés, des faits à rechercher et des suppositions éclairées.

Avec le grand livre en place, les agents attribuent des tâches aux agents indépendants de l'équipe. Les agents entrent alors dans une boucle interne, où ils vérifient d'abord si la tâche est terminée. Sinon, ils évaluent s'ils font encore des progrès. Tant qu'ils progressent, les agents délégueront l'étape suivante à l'agent approprié.

Cependant, si les agents détectent qu'ils ne progressent plus, ils en prennent note. Ils peuvent encore déléguer une étape de plus, mais si le blocage persiste pendant trois tours, ils reviendront en arrière, mettront à jour le grand livre et élaboreront un nouvel ensemble d'affectations pour les agents, relançant le processus.

Cette approche structurée, avec les agents collaborant et surveillant leurs progrès, permet à l'équipe de s'attaquer efficacement à des tâches complexes et multi-étapes, surpassant les solutions précédentes à agent unique sur des référentiels comme le défi GAIA.

L'équipe de recherche derrière Autogen est enthousiaste à l'idée d'améliorer davantage les capacités du cadre. Parmi leurs principaux plans pour l'avenir, on peut citer :

1. Introduction de nouveaux agents : L'équipe cherche à ajouter de nouveaux agents capables d'apprendre et de s'améliorer avec l'expérience. Ces agents pourraient mieux comprendre les images, les captures d'écran et les interfaces, permettant une utilisation plus efficace du web et des outils.

2. Amélioration de l'exploration systématique : Les chercheurs veulent rendre les agents plus pragmatiques dans leurs stratégies de résolution de problèmes. Plutôt que de simplement mettre à jour le grand livre et de redémarrer lorsqu'ils sont bloqués, les agents pourront explorer l'espace de solution de manière plus systématique, en utilisant de meilleures stratégies pour progresser.

3. Relever des référentiels et des scénarios du monde réel de plus en plus complexes : L'équipe commence déjà à appliquer la configuration Autogen actuelle pour relever des référentiels plus complexes et des cas d'utilisation du monde réel. Ils sont impatients de voir comment l'approche multi-agents peut gérer des tâches de plus en plus difficiles.

4. Améliorer la collaboration et la coordination des agents : Les chercheurs prévoient d'explorer des moyens d'améliorer la collaboration et la coordination entre les agents, leur permettant de travailler ensemble plus efficacement pour accomplir des tâches complexes et multi-étapes.

5. Améliorer la gestion du grand livre et la prise de décision : L'équipe se concentrera sur le perfectionnement du système de gestion du grand livre et des processus de prise de décision utilisés par les agents, afin qu'ils puissent prendre des décisions plus éclairées et plus efficaces lors de l'accomplissement des tâches.

En poursuivant ces plans futurs, l'équipe de recherche Autogen vise à faire progresser davantage les capacités du cadre, en en faisant un outil encore plus puissant pour s'attaquer à des problèmes complexes du monde réel grâce à l'utilisation de systèmes multi-agents collaboratifs.