הצעדים העיקריים בבניית מערכת מחקר רב-סוכנית זו הם:

1. צור שלושה עוזרי GPT שונים:

   • מנהל: קורא ומעדכן את מסד הנתונים של Airtable, מפרק משימות מחקר ומשבץ אותן למנהל המחקר והחוקרים.
   • מנהל המחקר: מפיק תכניות מחקר, בוחן ומבטיח בקרת איכות למחקר שמספקים החוקרים.
   • חוקר: הסוכן שבאמת גולש באינטרנט, אוסף מידע ומפיק את תוצאות המחקר.

2. השתמש במסגרת Autogon של Anthropic:

   • Autogon מפשט את השימוש בממשק העוזר של OpenAI על ידי מתן דרך ישירה לתזמן את השיתוף פעולה בין הסוכנים השונים.

3. יישם פונקציות הכרחיות:

   • חיפוש בגוגל
   • קריית אתרים ותמצות
   • אחזור ועדכון רשומות Airtable

4. חבר את הסוכנים יחד:

   • צור צ'אט קבוצתי עם סוכן ממלא מקום המשתמש, החוקר, מנהל המחקר והמנהל.
   • הפעל הודעות לקבוצה כדי להתחיל את תהליך המחקר.

התוצאה היא מערכת מחקר אוטונומית וחזקה שיכולה לטפל במשימות מחקר מורכבות על ידי ניצול היכולות המיוחדות של מספר סוכנים העובדים יחד. גישה זו מייצגת מהפך פרדיגמטי בדרך שבה אנו חושבים על AGI, מתרחקת מהרעיון של AI יחיד כל-יכול לכיוון של מערכת שיתופית של סוכנים מיוחדים.

בעבר, סוכן המחקר שלי היה שרשרת מודל שפה לינארית פשוטה שעקבה אחר תהליך ישיר מאוד. הוא יכול היה לקחת נושא מחקר, להפעיל חיפוש בגוגל ולתת למודל שפה גדול לבחור את הקישורים הרלוונטיים ביותר ולכתוב את האתרים. הסוכן היה אז מפיק דוח על בסיס המידע שנאסף. למרות שגישה זו עבדה, היא הוגבלה למשימות מחקר בסיסיות ופשוטות בלבד.

שני חודשים מאוחר יותר, סוכן המחקר התפתח לסוכן AI - שילוב של מודל שפה גדול, זיכרון וכלים. סוכן זה יכול היה להסיק כדי לפרק מטרה גדולה למשימות משנה ולגשת לכלים שונים כמו ממשק חיפוש גוגל כדי להשלים את המשימות האלה. הוא גם היה בעל זיכרון ארוך טווח כדי לזכור את פעולותיו הקודמות. ההבדל היסודי היה שסוכן ה-AI היה מכוון יותר למטרה, מה שאפשר לו לבצע מספר פעולות כדי להשלים משימת מחקר, גם עם יעדים די מעורפלים.

גרסה שנייה זו של סוכן המחקר הייתה שיפור משמעותי, מספקת תוצאות מחקר באיכות גבוהה יותר ורשימת קישורי מקור. עם זאת, עדיין היו לה כמה בעיות. איכות התוצאות לא הייתה תמיד עקבית, והסוכן התקשה עם פעולות מורכבות או מוגבלות שמודל ה-OpenAI לא נועד לטפל בהן, כמו למצוא מידע ספציפי ליצירת קשר.

הפריצה הבאה באה עם הופעת מערכות רב-סוכניות כמו M-GPT ו-ChatDef. מערכות אלה נועדו לשפר את ביצועי המשימה על ידי הכנסת לא רק סוכן אחד אלא מספר סוכנים העובדים יחד. המסגרות האחרונות כמו Autogon הפכו את יצירת מערכות שיתופיות אלה אפילו יותר קלה, מאפשרות יצירה גמישה של מבנים והיררכיות שונות כדי לתזמן את השיתוף פעולה בין סוכנים שונים.

עם השחרור של ממשק העוזר של OpenAI ו-GPT-3, עלות בניית סוכנים שימושיים ירדה משמעותית. זה הניע אותי ליצור חוקר AI 3.0, שבו סוכן החוקר המקורי עדיין מבצע את המחקר, אך מוכנס סוכן מנהל מחקר כדי לבקר את התוצאות ולוודא בקרת איכות. בנוסף, ניתן להוסיף סוכן מנהל מחקר כדי לפרק יעדי מחקר גדולים למשימות משנה ולהשבץ אותן למנהל המחקר והחוקרים, תוך טיפול גם במשימות כמו קריאה מ-Airtable ורישום אליו.

מערכת רב-סוכנית זו מייצגת מהפך פרדיגמטי בדרך שבה אנו חושבים על AGI. במקום AI יחיד שיכול לעשות הכל, הדגש הוא על יצירת סוכנים מיוחדים שיכולים לשתף פעולה למען מטרה משותפת. גישה זו מתמודדת עם האתגרים הטכניים של אימון מערכת AGI יחידה וכל-יכולה.

המפתח לאימון סוכנים מיוחדים אלה טמון בשתי שיטות נפוצות: כיוון מחדש (fine-tuning) וחילוץ מידע מבוסס בסיס ידע (RAG). כיוון מחדש שימושי כאשר רוצים לשפר את מיומנויות המודל בביצוע משימות ספציפיות, בעוד שRAG מתאים יותר לספק למודלי שפה גדולים נתונים מדויקים ועדכניים.

כדי להפוך את תהליך הכיוון מחדש לנגיש יותר, עלו פלטפורמות כמו Gradio, המפשטות את הכיוון מחדש של מודלים בעלי ביצועים גבוהים כמו LLaMA ו-Hermit. Gradio מסירה את הצורך בתשתית ויחידות מחשוב ייעודיות, מאפשרת למפתחים ולארגונים לכוון מודלים עם מספר שורות קוד בלבד ומודל תמחור לפי שימוש.

באמצעות ניצול התקדמויות אלה, מערכת החוקר AI 3.0 יכולה כעת לספק תוצאות מחקר עקביות ואוטונומיות יותר, כאשר הסוכנים השונים משתפים פעולה כדי להבטיח איכות ויעילות.

הגרסאות הראשוניות של החוקר ה-AI היו מוגבלות, כמו זרימה לינארית ואיכות לא עקבית. כדי להתמודד עם בעיות אלה, המחבר חקר את השימוש בסוכני AI - שילוב של מודלי שפה גדולים, זיכרון וכלים. זה אפשר מחקר מכוון יעדים יותר, שבו הסוכן יכול היה לפרק משימה למשימות משנה ולהשתמש בכלים שונים כדי להשלים את המחקר.

הכנסת מערכות רב-סוכניות, כמו M8GT ו-ChatDef, שיפרה עוד את ביצועי המשימה על ידי שיתוף פעולה בין מספר סוכנים. המסגרות האחרונות כמו Autogen של Anthropic הפכו את יצירת מערכות שיתופיות אלה אפילו יותר קלה, מאפשרות פיתוח של היררכיות וארגונים גמישים כדי לתזמן את השיתוף פעולה בין סוכנים שונים.

לאחר מכן, המחבר החליט ליצור חוקר AI 3.0, שבו סוכן החוקר המקורי יתמקד במחקר בפועל, בעוד שיוכנס סוכן מנהל מחקר כדי לבקר את התוצאות ולוודא בקרת איכות. בנוסף, נוסף סוכן מנהל מחקר כדי לפרק את יעדי המחקר למשימות משנה ולהשבץ אותן למנהל המחקר והחוקרים. גישה רב-סוכנית זו הובילה לאיכות מחקר עקבית יותר ומערכת אוטונומית יותר.

המחבר דן גם בשני האופנים השכיחים לאמן סוכנים מיוחדים: כיוון מחדש וחילוץ מידע מבוסס בסיס ידע (RAG). בעוד שכיוון מחדש יכול לשפר את מיומנויות המודל במשימות ספציפיות, הוא יכול להיות מאתגר ולדרוש חומרה ייעודית. המחבר הדגיש את פלטפורמת Gradio של Anthropic ככלי המפשט את תהליך הכיוון מחדש ומנגיש אותו למפתחים ולארגונים.

בסופו של דבר, המחבר סיפק מדריך שלב-אחר-שלב על בניית מערכת המחקר הרב-סוכנית הזו באמצעות Autogen, מדגים את הגמישות והעוצמה של גישה זו ביצירת מערכות AI אוטונומיות ושיתופיות.

כיוון מחדש של מודלים בעלי ביצועים גבוהים ומקור פתוח יכול להיות משימה מאתגרת, לעתים דורשת חומרה ייעודית בעלת קיבולת זיכרון גדולה. עם זאת, Gradient, פלטפורמה שפותחה על ידי Anthropic, מפחיתה משמעותית את החסם לכיוון מחדש על ידי הפיכת התהליך לפשוט ונגיש לכל המפתחים והארגונים.

עם מספר שורות קוד בלבד, אתה יכול לכוון מחדש מודלים כמו LLaMA, Noris ו-Hermès באמצעות Gradient. הפלטפורמה תומכת במספר שפות תכנות, כולל Node.js, Python וממשק שורת הפקודה, ומספקת את כל הכלים והמדריכים הדרושים כדי להתחיל במהירות.

אחד היתרונות המרכזיים של השימוש ב-Gradient הוא מודל התמחור שלו. באופן מסורתי, כיוון מחדש דורש עלויות מראש עבור תשתית ויחידות מחשוב ייעודיות. Gradient, מצד שני, מסיר את הצורך בתשתית ומאפשר לך לשלם רק עבור מה שאתה משתמש, על בסיס מערכת אסימונים.

אם תלחץ על הקישור בתיאור למטה, תקבל 5$ באשראי חינם כדי להתחיל עם Gradient. זה יכול להיות מועיל במיוחד אם יש לך צורך לכוון מחדש מודלים אך אינך יודע מאיפה להתחיל. הפלטפורמה ידידותית למשתמש והמשאבים המקיפים של Gradient הופכים את התהליך לחלק, מאפשרים