De belangrijkste stappen bij het bouwen van dit multi-agent onderzoekssysteem zijn:

1. Creëer drie verschillende GPT-assistenten:

   • Directeur: Leest en werkt de Airtable-database bij, breekt onderzoekstaken af en delegeert deze naar de onderzoeksmanager en onderzoekers.
   • Onderzoeksmanager: Genereert onderzoeksplannen, beoordeelt en zorgt voor kwaliteitsborging van het onderzoek dat door de onderzoekers wordt geleverd.
   • Onderzoeker: De agent die daadwerkelijk het internet doorzoekt, informatie verzamelt en de onderzoeksresultaten produceert.

2. Gebruik het Autogon-framework van Anthropic:

   • Autogon vereenvoudigt het gebruik van de OpenAI Assistant API door een eenvoudige manier te bieden om de samenwerking tussen de verschillende agenten te orchestreren.

3. Implementeer de nodige functies:

   • Google-zoekactie
   • Website-scraping en -samenvatting
   • Ophalen en bijwerken van Airtable-records

4. Verbind de agenten met elkaar:

   • Maak een groepschat met de User Proxy Agent, Researcher, Research Manager en Director.
   • Trigger berichten naar de groep om het onderzoeksproces op gang te brengen.

Het resultaat is een krachtig, autonoom onderzoekssysteem dat complexe onderzoekstaken kan aanpakken door gebruik te maken van de gespecialiseerde capaciteiten van meerdere agenten die samenwerken. Deze aanpak vertegenwoordigt een paradigmaverschuiving in hoe we over AGI denken, weg van het idee van een enkele, almachtige AI naar een samenwerkend systeem van gespecialiseerde agenten.

In het verleden was mijn onderzoeksagent een eenvoudige lineaire taalmodelketen die een zeer rechtlijnig proces volgde. Het kon een onderzoeksonderwerp oppakken, een Google-zoekopdracht activeren en een groot taalmodel laten kiezen welke links het meest relevant waren en de websites scriptschrijven. De agent zou vervolgens een rapport genereren op basis van de verzamelde informatie. Hoewel deze aanpak werkte, was deze beperkt tot zeer eenvoudige en voor de hand liggende onderzoekstaken.

Twee maanden later evolueerde de onderzoeksagent tot een AI-agent - een combinatie van een groot taalmodel, geheugen en tools. Deze agent kon redeneren om een groot doel op te splitsen in deeltaken en had toegang tot verschillende tools zoals de Google Search API om die taken uit te voeren. Het had ook een langetermijngeheugen om zijn eerdere acties te onthouden. Het fundamentele verschil was dat de AI-agent meer doelgericht was, waardoor het in staat was om meerdere acties te ondernemen om een onderzoekstaak uit te voeren, zelfs met vrij onduidelijke doelen.

Deze tweede versie van de onderzoeksagent was een aanzienlijke verbetering, met hogere kwaliteit onderzoeksresultaten en een lijst met referentielinks. Toch had het nog steeds enkele problemen. De kwaliteit van de resultaten was niet altijd consistent en de agent worstelde met complexe of beperkte acties die het OpenAI-model niet ontworpen was om te behandelen, zoals het vinden van specifieke contactgegevens.

De volgende doorbraak kwam met de opkomst van multi-agent systemen zoals M-GPT en ChatDef. Deze systemen hadden als doel de taakprestaties te verbeteren door niet alleen één, maar meerdere agenten samen te laten werken. Recente frameworks zoals Autogon maakten de creatie van deze samenwerkende systemen nog eenvoudiger, waardoor flexibele hiërarchieën en structuren konden worden opgezet om de samenwerking tussen verschillende agenten te orchestreren.

Met de release van de OpenAI Assistant API en GPT-3 is de kosten van het bouwen van nuttige agenten aanzienlijk gedaald. Dit bracht me ertoe om een AI Researcher 3.0 te creëren, waarbij de oorspronkelijke onderzoeksagent nog steeds het onderzoek uitvoert, maar er een onderzoeksmanager-agent wordt geïntroduceerd om de resultaten te beoordelen en kwaliteitscontrole uit te voeren. Daarnaast kan er een onderzoeksdirecteur-agent worden toegevoegd om grote onderzoeksdoelen op te splitsen in deeltaken en deze te delegeren aan de onderzoeksmanager en onderzoekers, terwijl ook taken zoals het lezen en schrijven van een Airtable-database worden afgehandeld.

Dit multi-agent systeem vertegenwoordigt een paradigmaverschuiving in hoe we over AGI denken. In plaats van één AI die alles kan, ligt de focus op het creëren van gespecialiseerde agenten die kunnen samenwerken aan een gedeeld doel. Deze aanpak adresseert de technische uitdagingen van het trainen van een enkele, almachtige AGI-systeem.

De eerste versies van de AI-onderzoeker hadden beperkingen, zoals een lineaire stroom en inconsistente kwaliteit. Om deze problemen aan te pakken, onderzocht de auteur het gebruik van AI-agenten - een combinatie van grote taalmodellen, geheugen en tools. Dit maakte doelgerichter onderzoek mogelijk, waarbij de agent een taak kon opsplitsen in deeltaken en verschillende tools kon gebruiken om het onderzoek uit te voeren.

De introductie van multi-agent systemen, zoals M8GT en ChatDef, verbeterde de taakprestaties verder door meerdere agenten samen te laten werken. De recente frameworks zoals Anthropic's Autogen maakten de creatie van deze samenwerkende systemen nog eenvoudiger, waardoor flexibele hiërarchieën en structuren konden worden ontwikkeld om de samenwerking tussen verschillende agenten te orchestreren.

De auteur besloot vervolgens een AI Researcher 3.0 te creëren, waarbij de oorspronkelijke onderzoeksagent zich zou richten op het eigenlijke onderzoek, terwijl er een onderzoeksmanager-agent werd geïntroduceerd om de resultaten te beoordelen en kwaliteitscontrole uit te voeren. Daarnaast werd er een onderzoeksdirecteur-agent toegevoegd om de onderzoeksdoelen op te splitsen in deeltaken en deze te delegeren aan de onderzoeksmanager en onderzoeksagenten. Deze multi-agent aanpak leidde tot een consistentere onderzoekskwaliteit en een meer autonoom systeem.

De auteur besprak ook de twee gebruikelijke manieren om gespecialiseerde agenten op te leiden: fine-tuning en knowledge-base retrieval-augmented generation (RAG). Hoewel fine-tuning de modelvaardigheden in specifieke taken kan verbeteren, kan het uitdagend zijn en speciale hardware vereisen. De auteur wees op Anthropic's Gradio-platform als een tool die het fine-tuning-proces vereenvoudigt en toegankelijk maakt voor ontwikkelaars en bedrijven.

Fine-tuning van high-performance open-source modellen kan een uitdagende taak zijn, waarbij vaak gespecialiseerde hardware met een grote geheugencapaciteit nodig is. Gradient, een platform ontwikkeld door Anthropic, vermindert echter de drempel voor fine-tuning aanzienlijk door het proces uiterst eenvoudig en toegankelijk te maken voor alle ontwikkelaars en bedrijven.

Met slechts een paar regels code kunt u modellen als LLaMA, Noris en Hermès fine-tunen met behulp van Gradient. Het platform ondersteunt meerdere programmeertalen, waaronder Node.js, Python en een command-line interface, en biedt alle benodigde tools en tutorials om snel aan de slag te gaan.

Eén van de belangrijkste voordelen van het gebruik van Gradient is het prijsmodel. Traditioneel vereist fine-tuning vooraf gemaakte kosten voor speciale infrastructuur en rekeneenheden. Gradient daarentegen verwijdert de noodzaak voor infrastructuur en laat u alleen betalen voor wat u gebruikt, op basis van een token-gebaseerd systeem.

Als u op de link in de beschrijving hieronder klikt, ontvangt u $5 aan gratis credits om aan de slag te gaan met Gradient. Dit kan bijzonder nuttig zijn als u modellen moet fine-tunen, maar niet weet waar u moet beginnen. Gradient's gebruiksvriendelijk platform en uitgebreide bronnen maken het proces naadloos, waardoor u zich kunt concentreren op uw specifieke use cases en vereisten.

De sleutel tot het bouwen van een effectief multi-agent onderzoekssysteem ligt in het duidelijk definiëren van de rollen en verantwoordelijkheden van elke agent, evenals het opzetten van een robuust coördinatiekader. In dit systeem hebben we drie verschillende agenten:

1. Onderzoeksdirecteur: De directeur is verantwoordelijk voor het beheren van het algehele onderzoeksproces. Ze halen de lijst met te onderzoeken bedrijven op uit de Airtable-database, breken de onderzoekstaken af en delegeren deze naar de onderzoeksmanager en onderzoekers. De directeur werkt ook de Airtable-records bij met de voltooide onderzoeksresultaten.

2. Onderzoeksmanager: De onderzoeksmanager fungeert als de kwaliteitscontrole poortwachter. Ze beoordelen de onderzoeksresultaten die door de onderzoekers worden geleverd, geven feedback en zorgen ervoor dat de verzamelde informatie uitgebreid is en in lijn met de onderzoeksdoelstellingen.

3. Onderzoekers: De onderzoekers zijn de werkpaarden van het systeem. Zij zijn verantwoordelijk voor het daadwerkelijk uitvoeren van het onderzoek, het uitvoeren van Google-zoekopdrachten, het scrapen van relevante websites en het samenvatten van de bevindingen.

De coördinatie tussen deze agenten wordt gefaciliteerd door het Autogon-framework, dat het gebruik van de OpenAI Assistant API vereenvoudigt. Elke agent wordt gedefinieerd als een GPT Assistant Agent, met specifieke systeemprompts en geregistreerde functies. De agenten communiceren via een groepschat, waar de directeur taken delegeert, de onderzoekers updates geven en de manager feedback geeft en beoordeelt.

Door het onderzoeksproces op te splitsen in deze gespecialiseerde rollen, is het systeem in staat om consistentere en hoogwaardige onderzoeksresultaten te leveren. De directeur zorgt ervoor dat het onderzoek aansluit bij de algehele doelstellingen, de manager biedt kwaliteitscontrole en de onderzoekers richten zich op de uitvoering van de taken.

De ontwikkeling van het AI-onderzoekssysteem laat de snelle vooruitgang in AI-mogelijkheden zien, vooral op het gebied van multi-agent samenwerking en taakgericht redeneren. De belangrijkste hoogtepunten van dit systeem zijn:

1. Modulaire agentarchitectuur: Het systeem is gebouwd met een multi-agent aanpak, waarbij gespecialiseerde agenten (directeur, onderzoeksmanager en onderzoeker) samenwerken om de onderzoekstaak uit te voeren. Deze modulaire opzet biedt flexibiliteit en schaalbaarheid.

2. Geautomatiseerde onderzoekswerkstroom: Het systeem automatiseert het onderzoeksproces, van het opdelen van het onderzoeksdoel, het delegeren van taken, het uitvoeren van webzoekopdrachten en het samenvatten van bevindingen, tot het bijwerken van de uiteindelijke resultaten in de Airtable-database.

3. Kwaliteitsborging: De onderzoeksmanager-agent fungeert als een kwaliteitscontrolemechanisme, waarbij feedback wordt gegeven en de onderzoeksagent wordt aangemoedigd om meer uitgebreide informatie te vinden om hoogwaardige onderzoeksresultaten te garanderen.

4. Gebruik van externe tools: Het systeem integreert verschillende externe diensten, zoals Google Search, webscraping en Airtable, om onderzoeksgegevens te verzamelen en te organiseren, wat het vermogen demonstreert om een diverse set tools te gebruiken.

5. Voortdurende verbetering: De auteur benadrukt het iteratieve ontwikkelingsproces, waarbij elke versie van het AI-onderzoekssysteem nieuwe mogelijkheden introduceert en eerdere beperkingen, zoals inconsistente kwaliteit en geheugenbeheer, aanpakt.

6. Toegankelijkheid en schaalbaarheid: Het gebruik van platforms als Gradio voor fine-tuning van modellen en Autogen voor multi-agent coördinatie helpt de technische drempels voor ontwikkelaars te verlagen om dergelijke systemen op te bouwen en te implementeren.

Overall vertegenwoordigt dit AI-onderzoekssysteem een belangrijke stap voorwaarts in de ontwikkeling van autonome, taakgerichte AI-agenten die kunnen samenwerken om complexe onderzoekstaken aan te pakken. De modulaire en schaalbare opzet, gecombineerd met de integratie van externe tools en diensten, laat zien dat dergelijke systemen in een breed scala aan domeinen kunnen worden toegepast, van verkoop en risicokapitaal tot elk veld dat uitgebreid en betrouwbaar onderzoek vereist.