מיקרוסופט Autogen, מסגרת שיחה רב-סוכנית חזקה, עברה עדכון משמעותי שמתמקד בשיפור היכולת שלה לטפל במשימות מורכבות ולשפר את ביצועי הסוכנים. עדכון זה, שנדון על ידי אדם פורנה, חוקר ראשי במיקרוסופט Research AI, מדגים את היעילות של שימוש בסוכנים מרובים העובדים בשיתוף פעולה כדי להשלים משימות מרובות שלבים מורכבות.

הנקודות הבולטות העיקריות של עדכון זה כוללות:

1. שיפור השלמת המשימה: המסגרת Autogen החדשה יכולה להתגבר על פתרונות חד-סוכניים קודמים בבנצ'מרקים כמו GAIA, מדגימה את היכולת שלה להתמודד עם משימות מורכבות ביעילות רבה יותר.

2. הסדרים סוכנים מותאמים אישית: המשתמשים יכולים כעת ליצור הסדרים מותאמים אישית של סוכנים שיכולים לשתף פעולה, להסיק ולהשתמש במגוון כלים כדי להשיג תוצאות מורכבות.

3. הגברת ההיגיון והשימוש בכלים: הסוכנים במסגרת Autogen מסוגלים להסיק, לתכנן ולהשתמש בכלים כדי להשלים משימות, מעבר לסתם יצירת טקסט.

4. פתרון משימות חוזר: הסוכנים עוקבים אחר מעגל של הקצאת משימות, ניטור התקדמות ועדכון הגישה שלהם אם הם נתקלים בהשבתה, מאפשר חקירה שיטתית יותר של פתרונות.

5. שיפורים עתידיים: צוות Autogen בוחן הזדמנויות להציג סוכנים חדשים שיכולים ללמוד ולשפר את עצמם עם ניסיון, להבין מידע חזותי טוב יותר ולהשתמש באסטרטגיות פרגמטיות יותר לחקירת מרחבי פתרון.

העדכון החדש למסגרת Autogen של מיקרוסופט מדגים את היעילות של שימוש בסוכנים מרובים העובדים יחד כדי להשלים משימות מורכבות, מרובות שלבים. על פי אדם פורנה, חוקר ראשי במיקרוסופט Research AI, גישה זו מאפשרת לסוכנים להתגבר על פתרונות חד-סוכניים קודמים בבנצ'מרקים כמו GAIA.

המפתח להצלחה זו טמון ביכולת ליצור הסדרים מותאמים אישית של סוכנים שיכולים לשתף פעולה, להסיק ולהשתמש במגוון כלים כדי להשיג תוצאות מורכבות. פורנה מתאר את הסוכנים כ"אבסטרקציות חזקות מאוד" שיכולות לטפל בפירוק משימות, התמחות ושימוש בכלים. על ידי הרכבת הצוות הנכון של סוכנים, המשתמשים יכולים להתמודד עם בעיות מורכבות ביעילות רבה יותר.

מסגרת Autogen, שהיא קוד פתוח וזמינה ב-GitHub, מאפשרת את יצירת זרמי העבודה הרב-סוכניים האלה. ההדגמה שהוצגה על ידי פורנה מציגה צוות של ארבעה סוכנים: עוזר כללי, מסוף מחשב, שרת אינטרנט ומתאם. צוות זה הצליח להשיג תוצאות מובילות בבנצ'מרק GAIA, יותר מהכפלת הביצועים בשאלות הקשות ביותר.

הסוכנים עוקבים אחר תוכנית מובנית, החל מהנחיית המשימה ובונים "פנקס" של עובדות מאומתות, השערות ומידע לחפש. הם לאחר מכן מקצים משימות לסוכנים הבודדים, ניטור התקדמות ומתכננים מחדש אם יש צורך. גישה זו מאפשרת לסוכנים להסיק, לפעול ולצפות, תוך ניצול היכולות המיוחדות שלהם כדי להתמודד עם בעיות מורכבות.

לקראת העתיד, צוות Autogen נרגש לחקור הזדמנויות לשיפורים נוספים, כגון הצגת סוכנים שיכולים ללמוד ולשפר את עצמם, להבין טוב יותר מידע חזותי ולחקור בצורה שיטתית יותר את מרחבי הפתרון. על ידי להמשיך לדחוף את גבולות שיתוף הפעולה הרב-סוכני, Autogen שואפת להשלים באופן אמין משימות מורכבות וארוכות-טווח באמצעות מודלים יסודיים גדולים.

אדם פורנה, חוקר ראשי במיקרוסופט Research AI, הציג את עבודת הצוות על השלמת משימות מורכבות באמצעות זרמי עבודה רב-סוכניים במסגרת Autogen. המטרה הייתה להשלים באופן אמין משימות מורכבות וארוכות-טווח באמצעות מודלים יסודיים גדולים.

הצוות אימץ את הגישה של שימוש בזרמי עבודה רב-סוכניים כפלטפורמה להשגת מטרה זו. הסוכנים הם אבסטרקציות חזקות שיכולות לטפל בפירוק משימות, התמחות ושימוש בכלים. על ידי הרכבת צוות של סוכנים, כמו עוזר כללי, מסוף מחשב, שרת אינטרנט ומתאם, הצוות הצליח להשיג ביצועים מהמובילים בעולם בבנצ'מרק GIAI (סיוע כללי בבינה מלאכותית).

בפרט, זרם העבודה בן ארבעת הסוכנים של הצוות הצליח:

1. לעלות לראש לוח הדירוג של GIAI: במרץ, הפתרון של הצוות השיג את התוצאות המובילות בלוח הדירוג של GIAI, עובר פתרונות חד-סוכניים קודמים בכ-8 נקודות.

2. לשפר משמעותית את השאלות הקשות ביותר: הפתרון של הצוות הצליח להכפיל את הביצועים בקבוצת השאלות הקשות ביותר (רמה 3) בבנצ'מרק GIAI, שהמחברים תיארו כדורשות "רצפים שרירותיים ארוכים של פעולות, שימוש בכל מספר של כלים וגישה לעולם בכלל".

המפתח להצלחת הצוות היה התהליך החוזר שבו פעלו הסוכנים:

1. ייצור פנקס: הסוכנים מתחילים על ידי יצירת זיכרון עבודה המורכב מעובדות שניתנו או אומתו, עובדות שיש לחפש ושערות מנומקות.
2. הקצאת משימות: המשימות מוקצות לסוכנים העצמאיים.
3. חזרה והקצאה: הסוכנים נכנסים למעגל פנימי, בודקים אם הם סיימו או עדיין מתקדמים. כל עוד הם מתקדמים, הם מקצים את השלב הבא לסוכן הבא.
4. טיפול בהשבתות: אם הסוכנים אינם מתקדמים במשך שלוש סבבים, הם חוזרים, מעדכנים את הפנקס, מגיעים למערך משימות חדש ומתחילים מחדש.

תצורה זו עובדת היטב עבור הצוות, והם נרגשים לגבי ההזדמנויות להציג סוכנים חדשים שיכולים ללמוד, לשפר את עצמם, להבין טוב יותר תמונות ותצוגות מסך ולחקור את מרחב הפתרון בצורה שיטתית יותר.

מסגרת Autogen היא קוד פתוח וזמינה ב-GitHub, והצוות מעודד את כולם לבדוק אותה ולהתחיל עם העדכון החזק הזה.

הסוכנים עוקבים אחר מעגל מובנה כדי להתמודד עם משימות מורכבות. התהליך מתחיל עם השאלה או ההנחיה המקורית, שהסוכנים משתמשים בה כדי ליצור "פנקס" - זיכרון עבודה המכיל עובדות שניתנו או אומתו, עובדות שיש לחפש ושערות מנומקות.

עם הפנקס במקום, הסוכנים מקצים משימות לסוכנים העצמאיים בצוות. הסוכנים לאחר מכן נכנסים למעגל פנימי, שבו הם תחילה בודקים אם המשימה הושלמה. אם לא, הם מעריכים אם הם עדיין מתקדמים. כל עוד הם מתקדמים, הסוכנים יקצו את השלב הבא לסוכן המתאים. 然, אם הסוכנים מזהים שהם כבר אינם מתקדמים, הם מציינים זאת. הם עדיין עשויים להקצות צעד אחד נוסף, אך אם ההשבתה נמשכת למשך שלושה סבבים, הם יחזרו, יעדכנו את הפנקס ויגיעו למערך משימות חדש, מתחילים מחדש את התהליך.

גישה מובנית זו, כאשר הסוכנים משתפים פעולה וניטור את ההתקדמות שלהם, מאפשרת לצוות להתמודד עם משימות מורכבות, מרובות שלבים בצורה יעילה, עובר פתרונות חד-סוכניים קודמים בבנצ'מרקים כמו אתגר GAIA.

צוות המחקר מאחורי Autogen נרגש לגבי ההזדמנויות לשפר עוד את יכולות המסגרת. חלק מהתוכניות העיקריות שלהם לעתיד כוללות:

1. הצגת סוכנים חדשים: הצוות שואף להוסיף סוכנים חדשים שיכולים ללמוד ולשפר את עצמם עם ניסיון. סוכנים אלה יכולים להבין טוב יותר תמונות, צילומי מסך ממשקים, מאפשרים גלישה באינטרנט ושימוש בכלים יעילים יותר.

2. שיפור החקירה השיטתית: החוקרים רוצים לגרום לסוכנים להיות פרגמטיים יותר באסטרטגיות פתרון הבעיות שלהם. במקום פשוט לעדכן את הפנקס ולהתחיל מחדש כשהם נתקעים, הסוכנים יוכלו לחקור את מרחב הפתרון בצורה שיטתית יותר, תוך שימוש באסטרטגיות טובות יותר להתקדם.

3. התמודדות עם בנצ'מרקים ותרחישים בעולם האמיתי מורכבים יותר: הצוות כבר מתחיל ליישם את התצורה הנוכחית של Autogen כדי להתמודד ע