O Autogen da Microsoft, uma poderosa estrutura de conversação multiagente, recebeu uma atualização significativa focada em melhorar sua capacidade de lidar com tarefas complexas e melhorar o desempenho dos agentes. Esta atualização, discutida por Adam Forna, um pesquisador principal da Microsoft Research AI, demonstra a eficácia do uso de múltiplos agentes trabalhando de forma colaborativa para concluir tarefas intrincadas de várias etapas.

Os principais destaques desta atualização incluem:

1. Melhoria na Conclusão de Tarefas: A nova estrutura Autogen pode superar soluções anteriores de agente único em benchmarks como o GAIA, demonstrando sua capacidade de lidar com tarefas complexas de forma mais eficaz.

2. Arranjos de Agentes Personalizáveis: Os usuários agora podem criar arranjos personalizáveis de agentes que podem colaborar, raciocinar e utilizar várias ferramentas para alcançar resultados complexos.

3. Raciocínio Aprimorado e Uso de Ferramentas: Os agentes dentro da estrutura Autogen têm a capacidade de raciocinar, planejar e utilizar ferramentas para concluir tarefas, indo além da simples geração de texto.

4. Resolução de Tarefas de Forma Iterativa: Os agentes seguem um loop de atribuição de tarefas, monitoramento do progresso e atualização de sua abordagem se encontrarem estagnação, permitindo uma exploração mais sistemática das soluções.

5. Melhorias Futuras: A equipe do Autogen está explorando oportunidades para introduzir novos agentes que possam aprender e se aprimorar com a experiência, entender melhor as informações visuais e empregar estratégias mais pragmáticas para explorar os espaços de solução.

A nova atualização da estrutura Autogen da Microsoft demonstra a eficácia do uso de múltiplos agentes trabalhando juntos para concluir tarefas complexas e de várias etapas. De acordo com Adam Forna, um pesquisador principal da Microsoft Research AI, essa abordagem permite que os agentes superem soluções anteriores de agente único em benchmarks como o GAIA.

A chave para esse sucesso reside na capacidade de criar arranjos personalizáveis de agentes que podem colaborar, raciocinar e utilizar várias ferramentas para alcançar resultados complexos. Forna descreve os agentes como "abstrações muito poderosas" que podem lidar com a decomposição de tarefas, especialização e uso de ferramentas. Ao montar a equipe certa de agentes, os usuários podem abordar problemas intrincados de forma mais eficaz.

A estrutura Autogen, que é de código aberto e está disponível no GitHub, permite a criação desses fluxos de trabalho multiagente. A demonstração apresentada por Forna mostra uma equipe de quatro agentes: um assistente geral, um terminal de computador, um servidor web e um orquestrador. Essa equipe conseguiu alcançar os melhores resultados no benchmark GAIA, mais que dobrando o desempenho nas questões mais desafiadoras.

Os agentes seguem um plano estruturado, começando com o prompt da tarefa e construindo um "livro razão" de fatos verificados, suposições e informações a serem pesquisadas. Eles então delegam tarefas aos agentes individuais, monitorando o progresso e iterando se necessário. Essa abordagem permite que os agentes raciocinem, ajam e observem, aproveitando suas capacidades especializadas para lidar com problemas complexos.

De agora em diante, a equipe do Autogen está entusiasmada em explorar oportunidades para melhorias adicionais, como a introdução de agentes que possam aprender e se aprimorar, entender melhor as informações visuais e explorar os espaços de solução de forma mais sistemática. Ao continuar a empurrar as fronteiras da colaboração multiagente, o Autogen visa concluir de forma confiável tarefas complexas e de longa duração usando modelos fundamentais de grande porte.

Adam Forna, um pesquisador principal da Microsoft Research AI, apresentou o trabalho da equipe na conclusão de tarefas complexas usando fluxos de trabalho multiagente na estrutura Autogen. O objetivo era concluir de forma confiável tarefas complexas e de longa duração usando modelos fundamentais de grande porte.

A equipe adotou a abordagem de usar fluxos de trabalho multiagente como plataforma para alcançar isso. Os agentes são abstrações poderosas que podem lidar com a decomposição de tarefas, especialização e uso de ferramentas. Ao montar uma equipe de agentes, como um assistente geral, um terminal de computador, um servidor web e um orquestrador, a equipe conseguiu alcançar o estado da arte no desempenho no benchmark GIAI (General AI Assistance).

Especificamente, o fluxo de trabalho de quatro agentes da equipe conseguiu:

1. Liderar o Ranking do GIAI: Em março, a solução da equipe alcançou os melhores resultados no ranking do GIAI, superando soluções anteriores de agente único em cerca de 8 pontos.

2. Melhorar Significativamente nas Questões Mais Difíceis: A solução da equipe conseguiu mais que dobrar o desempenho no conjunto mais difícil de questões (Nível 3) no benchmark GIAI, que os autores descreveram como exigindo "sequências arbitrariamente longas de ações, uso de qualquer número de ferramentas e acesso ao mundo em geral".

A chave para o sucesso da equipe foi o processo iterativo seguido por seus agentes:

1. Produzir um Livro Razão: Os agentes começam produzindo uma memória de trabalho que consiste em fatos dados ou verificados, fatos que precisam ser pesquisados e suposições fundamentadas.
2. Atribuir Tarefas: As tarefas são então atribuídas aos agentes independentes.
3. Iterar e Delegar: Os agentes entram em um loop interno, verificando se terminaram ou ainda estão progredindo. Desde que estejam progredindo, eles delegam a próxima etapa para o próximo agente.
4. Lidar com Estagnações: Se os agentes não estiverem progredindo por três rodadas, eles voltam, atualizam o Livro Razão, criam um novo conjunto de atribuições e recomeçam.

Essa configuração tem funcionado bem para a equipe, e eles estão entusiasmados com as oportunidades de introduzir novos agentes que possam aprender, se aprimorar, entender melhor imagens e capturas de tela e explorar o espaço de solução de forma mais sistemática.

A estrutura Autogen é de código aberto e está disponível no GitHub, e a equipe incentiva a todos a conferir e começar a usar essa poderosa nova atualização.

Os agentes seguem um loop estruturado para lidar com tarefas complexas. O processo começa com a pergunta ou prompt inicial, que os agentes usam para produzir um "livro razão" - uma memória de trabalho contendo fatos dados ou verificados, fatos que precisam ser pesquisados e suposições fundamentadas.

Com o livro razão estabelecido, os agentes atribuem tarefas aos agentes independentes da equipe. Os agentes então entram em um loop interno, onde primeiro verificam se a tarefa está concluída. Caso contrário, eles avaliam se ainda estão progredindo. Desde que estejam progredindo, os agentes delegarão a próxima etapa para o agente apropriado.

No entanto, se os agentes detectarem que não estão mais progredindo, eles anotarão isso. Eles ainda podem delegar mais uma etapa, mas se a estagnação persistir por três rodadas, eles voltarão, atualizarão o livro razão e criarão um novo conjunto de atribuições para os agentes, reiniciando o processo.

Essa abordagem estruturada, com os agentes colaborando e monitorando seu progresso, permite que a equipe lide com tarefas complexas e de várias etapas de forma eficaz, superando soluções anteriores de agente único em benchmarks como o desafio GAIA.

A equipe de pesquisa por trás do Autogen está entusiasmada com as oportunidades de aprimorar ainda mais as capacidades da estrutura. Alguns de seus principais planos para o futuro incluem:

1. Introdução de Novos Agentes: A equipe está buscando adicionar novos agentes que possam aprender e se aprimorar com a experiência. Esses agentes poderiam ter uma melhor compreensão de imagens, capturas de tela e interfaces, permitindo um uso mais eficaz da web e de ferramentas.

2. Melhoria da Exploração Sistemática: Os pesquisadores querem tornar os agentes mais pragmáticos em suas estratégias de resolução de problemas. Em vez de apenas atualizar o livro razão e reiniciar quando ficarem presos, os agentes poderão explorar o espaço de solução de forma mais sistemática, empregando melhores estratégias para progredir.

3. Lidar com Benchmarks e Cenários do Mundo Real Cada Vez Mais Complexos: A equipe já está começando a aplicar a configuração atual do Autogen para lidar com benchmarks mais complexos e casos de uso do mundo real. Eles estão ansiosos para ver como a abordagem multiagente pode lidar com tarefas cada vez mais desafiadoras.

4. Aprimorar a Colaboração e Coordenação entre Agentes: Os pesquisadores pretendem explorar maneiras de melhorar a colaboração e a coordenação entre os agentes, permitindo que eles trabalhem juntos de forma mais eficaz para concluir tarefas complexas e de várias etapas.

5. Melhorar o Gerenciamento do Livro Razão e a Tomada de Decisão: A equipe se concentrará no refinamento do sistema de gerenciamento do livro razão e nos processos de tomada de decisão utilizados pelos agentes, garantindo que eles possam tomar decisões mais informadas e eficientes durante a conclusão das tarefas.

Ao perseguir esses planos futuros, a equipe de pesquisa do Autogen visa avançar ainda mais as capacidades da estrutura, tornando-a uma ferramenta ainda mais poderosa para lidar com problemas complexos do mundo real por meio do uso de sistemas colaborativos e multiagente.