As principais etapas para construir este sistema de pesquisa multiagente são:

1. Criar Três Assistentes GPT Diferentes:

   • Diretor: Lê e atualiza o banco de dados Airtable, divide as tarefas de pesquisa e delega ao Gerente de Pesquisa e aos Pesquisadores.
   • Gerente de Pesquisa: Gera planos de pesquisa, revisa e garante a qualidade da pesquisa entregue pelos Pesquisadores.
   • Pesquisador: O agente que realmente navega na internet, coleta informações e produz os resultados da pesquisa.

2. Use a Estrutura Autogon da Anthropic:

   • O Autogon simplifica o uso da API do Assistente OpenAI, fornecendo uma maneira direta de orquestrar a colaboração entre os diferentes agentes.

3. Implementar Funções Necessárias:

   • Pesquisa no Google
   • Raspagem e Resumo de Sites da Web
   • Recuperação e Atualização de Registros Airtable

4. Conectar os Agentes:

   • Criar um chat em grupo com o Agente Proxy do Usuário, o Pesquisador, o Gerente de Pesquisa e o Diretor.
   • Disparar mensagens para o grupo para iniciar o processo de pesquisa.

No passado, meu agente de pesquisa era uma simples cadeia de modelos de linguagem linear que seguia um processo muito direto. Ele poderia pegar um tópico de pesquisa, acionar uma pesquisa no Google e deixar um grande modelo de linguagem escolher os links mais relevantes e roteirizar os sites. O agente então geraria um relatório com base nas informações coletadas. Embora essa abordagem tenha funcionado, ela se limitava a tarefas de pesquisa muito básicas e óbvias.

Dois meses depois, o agente de pesquisa evoluiu para um agente de IA - uma combinação de um grande modelo de linguagem, memória e ferramentas. Esse agente poderia raciocinar para dividir um grande objetivo em subtarefas e tinha acesso a várias ferramentas, como a API de Pesquisa do Google, para concluir essas tarefas. Ele também tinha memória de longo prazo para lembrar de suas ações anteriores. A diferença fundamental era que o agente de IA era mais orientado a objetivos, permitindo que ele realizasse várias ações para concluir uma tarefa de pesquisa, mesmo com objetivos bastante ambíguos.

Essa segunda versão do agente de pesquisa foi uma melhoria significativa, entregando resultados de pesquisa de maior qualidade e fornecendo uma lista de links de referência. No entanto, ainda tinha alguns problemas. A qualidade dos resultados nem sempre era consistente, e o agente lutava com ações complexas ou restritas que o modelo OpenAI não foi projetado para lidar, como encontrar informações de contato específicas.

A próxima grande evolução veio com o surgimento de sistemas multiagentes como M-GPT e ChatDef. Esses sistemas visavam melhorar o desempenho das tarefas, introduzindo não apenas um, mas vários agentes trabalhando juntos. As estruturas recentes, como o Autogon, tornaram a criação desses sistemas colaborativos ainda mais fácil, permitindo a criação flexível de várias hierarquias e estruturas para orquestrar a cooperação entre diferentes agentes.

Com o lançamento da API do Assistente OpenAI e do GPT-3, o custo de construir agentes úteis caiu significativamente. Isso me motivou a criar um Pesquisador de IA 3.0, onde o agente de pesquisador original ainda realiza a pesquisa, mas um agente de gerente de pesquisa é introduzido para criticar os resultados e garantir o controle de qualidade. Além disso, um agente de diretor de pesquisa pode ser adicionado para dividir grandes objetivos de pesquisa em subtarefas e delegá-los ao gerente de pesquisa e aos pesquisadores, além de lidar com tarefas como ler e escrever no banco de dados Airtable.

Esse sistema multiagente representa uma mudança de paradigma na forma como pensamos sobre a AGI. Em vez de um único IA que pode fazer todas as coisas, o foco está em criar agentes especializados que possam colaborar para um objetivo comum. Essa abordagem aborda os desafios técnicos de treinar um único sistema AGI todo-poderoso.

A chave para treinar esses agentes altamente especializados reside em dois métodos comuns: ajuste fino e geração aumentada por recuperação de base de conhecimento (RAG). O ajuste fino é útil quando você deseja melhorar as habilidades do modelo na realização de tarefas específicas, enquanto o RAG é mais adequado para fornecer a grandes modelos de linguagem dados precisos e atualizados.

Para tornar o processo de ajuste fino mais acessível, plataformas como o Gradio surgiram, simplificando o ajuste fino de modelos de alto desempenho, como o LLaMA e o Hermit. O Gradio remove a necessidade de infraestrutura e unidades de computação dedicadas, permitindo que desenvolvedores e empresas ajustem os modelos com apenas algumas linhas de código e um modelo de preços pay-as-you-go.

Ao aproveitar esses avanços, o sistema do Pesquisador de IA 3.0 agora pode entregar resultados de pesquisa mais consistentes e autônomos, com os vários agentes colaborando para garantir a qualidade e a eficiência.

As versões iniciais do pesquisador de IA tinham limitações, como um fluxo linear e qualidade inconsistente. Para resolver esses problemas, o autor explorou o uso de agentes de IA - uma combinação de grandes modelos de linguagem, memória e ferramentas. Isso permitiu uma pesquisa mais orientada a objetivos, em que o agente poderia dividir uma tarefa em subtarefas e utilizar várias ferramentas para concluir a pesquisa.

A introdução de sistemas multiagentes, como M8GT e ChatDef, melhorou ainda mais o desempenho das tarefas, tendo vários agentes colaborando. As estruturas recentes, como o Autogon da Anthropic, tornaram a criação desses sistemas colaborativos ainda mais fácil, permitindo o desenvolvimento de hierarquias e estruturas flexíveis para orquestrar a cooperação entre diferentes agentes.

O autor então decidiu criar um Pesquisador de IA 3.0, em que o agente de pesquisador original se concentraria na pesquisa real, enquanto um agente de gerente de pesquisa seria introduzido para criticar os resultados e garantir o controle de qualidade. Além disso, um agente de diretor de pesquisa foi adicionado para dividir os objetivos de pesquisa em subtarefas e delegá-los aos agentes de gerente de pesquisa e pesquisador. Essa abordagem multiagente levou a uma qualidade de pesquisa mais consistente e a um sistema mais autônomo.

O autor também discutiu as duas maneiras comuns de treinar agentes especializados: ajuste fino e geração aumentada por recuperação de base de conhecimento (RAG). Enquanto o ajuste fino pode melhorar as habilidades do modelo em tarefas específicas, pode ser um desafio e exigir hardware especializado. O autor destacou a plataforma Gradio da Anthropic como uma ferramenta que simplifica o processo de ajuste fino e o torna acessível a desenvolvedores e empresas.

No final, o autor forneceu um guia passo a passo sobre como construir esse sistema de pesquisa multiagente usando o Autogon, demonstrando a flexibilidade e o poder dessa abordagem na criação de sistemas de IA autônomos e colaborativos.

O ajuste fino de modelos de alto desempenho de código aberto pode ser uma tarefa desafiadora, muitas vezes exigindo hardware especializado com grande capacidade de memória. No entanto, o Gradient, uma plataforma desenvolvida pela Anthropic, reduz significativamente a barreira para o ajuste fino, tornando o processo extremamente simples e acessível a todos os desenvolvedores e empresas.

Com apenas algumas linhas de código, você pode ajustar modelos como o LLaMA, Noris e Hermès usando o Gradient. A plataforma suporta várias linguagens de programação, incluindo Node.js, Python e uma interface de linha de comando, e fornece todas as ferramentas e tutoriais necessários para você começar rapidamente.

Uma das principais vantagens de usar o Gradient é seu modelo de preços. Tradicionalmente, o ajuste fino requer custos iniciais para infraestrutura dedicada e unidades de computação. O Gradient, por outro lado, remove a necessidade de infraestrutura e permite que você pague apenas pelo que usar, com base em um sistema de tokens.

Se você clicar no link na descrição abaixo, você receberá US$ 5 em créditos gratuitos para começar com o Gradient. Isso pode ser particularmente útil se você tiver a necessidade de ajustar modelos, mas não sabe por onde começar. A plataforma amigável do Gradient e os recursos abrangentes tornam o processo tranquilo, permitindo que você se concentre em seus casos de uso e requisitos específicos.

A chave para construir um sistema de pesquisa multiagente eficaz está em definir claramente os papéis e responsabilidades de cada agente, bem como estabelecer um framework robusto de coordenação. Neste sistema, temos três agentes distintos:

1. Diretor de Pesquisa: O diretor é responsável por gerenciar todo o processo de pesquisa. Eles extraem a lista de empresas a serem pesquisadas do banco de dados Airtable, dividem as tarefas de pesquisa e as delegam ao Gerente de Pesquisa e aos Pesquisadores. O diretor também atualiza os registros Airtable com os resultados da pesquisa concluída.

2. Gerente de Pesquisa: O gerente de pesquisa atua como o porteiro do controle de qualidade. Eles revisam os resultados da pesquisa fornecidos pelos Pesquisadores, fornecem feedback e garantem que as informações coletadas sejam abrangentes e alinhadas com os objetivos da pesquisa.

3. Pesquisadores: Os pesquisadores são os cavalos de trabalho do sistema. Eles são responsáveis por conduzir a pesquisa real, realizar pesquisas no Google, raspar sites relevantes e resumir os achados.

A coordenação entre esses agentes é facilitada pela estrutura Autogon, que simplifica o uso da API do Assistente OpenAI. Cada agente é definido como um Agente Assistente GPT, com prompts de sistema específicos e funções registradas. Os agentes se comunicam por meio de um chat em grupo, onde o Diretor delega tarefas, os Pesquisadores fornecem atualizações e o Gerente revisa e fornece feedback.

Ao dividir o processo de pesquisa nesses papéis especializados, o sistema é capaz de entregar resultados de pesquisa mais consistentes e de alta qualidade. O Diretor garante que a pesquisa esteja alinhada com os objetivos gerais, o Gerente fornece controle de qualidade e os Pesquisadores se concentram na execução das tarefas.

Essa abordagem multiagente representa uma mudança de paradigma na forma como pensamos sobre a AGI (Inteligência Geral Artificial). Em vez de um único IA todo-poderoso, o sistema é composto por vários agentes especializados que colaboram para um objetivo comum. Esse design modular e escalável permite a introdução de agentes adicionais, como um "Diretor de Pesquisa" ou "Analista de Dados", para aprimorar ainda mais as capacidades do sistema.

O desenvolvimento do sistema de pesquisador de IA demonstra o rápido progresso nas capacidades da IA, particularmente nas áreas de colaboração multiagente e raciocínio orientado a tarefas. Os principais destaques deste sistema incluem:

1. Arquitetura Modular de Agentes: O sistema é construído usando uma abordagem multiagente, com agentes especializados (Diretor, Gerente de Pesquisa e Pesquisador) trabalhando juntos para cumprir a tarefa de pesquisa. Esse design modular permite flexibilidade e escalabilidade.

2. Fluxo de Trabalho de Pesquisa Automatizado: O sistema automatiza o processo de pesquisa, desde a divisão do objetivo de pesquisa, a delegação de tarefas, a realização de pesquisas na web e o resumo dos resultados, até a atualização dos resultados finais no banco de dados Airtable.

3. Garantia de Qualidade: O agente Gerente de Pesquisa atua como um mecanismo de controle de qualidade, fornecendo feedback e pressionando o agente Pesquisador a encontrar informações mais abrangentes para garantir saídas de pesquisa de alta qualidade.

4. Aproveitamento de Ferramentas Externas: O sistema integra vários serviços externos, como Pesquisa do Google, raspagem da web e Airtable, para coletar e organizar os dados de pesquisa, demonstrando a capacidade de utilizar um conjunto diversificado de ferramentas.

5. Melhoria Contínua: O autor destaca o processo de desenvolvimento iterativo, com cada versão do sistema de pesquisador de IA introduzindo novas capacidades e abordando limitações anteriores, como qualidade inconsistente e gerenciamento de memória.

6. Acessibilidade e Escalabilidade: O uso de plataformas como o Gradio para ajuste fino de modelos e o Autogon para coordenação multiagente ajuda a reduzir as barreiras técnicas para que os desenvolvedores construam e implantem tais sistemas.

Em geral, este sistema de pesquisador de IA representa um passo significativo no desenvolvimento de agentes de IA autônomos e orientados a tarefas que podem colaborar para resolver tarefas de pesquisa complexas. O design modular e escalável, combinado com a integração de ferramentas e serviços externos, demonstra o potencial desses sistemas para serem aplicados em uma ampla gama de domínios, desde vendas e capital de risco até qualquer campo que exija pesquisa abrangente e confiável.