Основные этапы построения этой многоагентной исследовательской системы:

1. Создание трех различных помощников GPT:

   • Директор: Читает и обновляет базу данных Airtable, разбивает исследовательские задачи и делегирует их Менеджеру исследований и Исследователям.
   • Менеджер исследований: Генерирует планы исследований, проводит обзор и обеспечивает контроль качества для исследований, выполненных Исследователями.
   • Исследователь: Агент, который фактически просматривает Интернет, собирает информацию и производит результаты исследований.

2. Использование фреймворка Anthropic's Autogon:

   • Autogon упрощает использование API помощника OpenAI, предоставляя простой способ организации сотрудничества между различными агентами.

3. Реализация необходимых функций:

   • Поиск в Google
   • Веб-скрапинг и обобщение
   • Получение и обновление записей Airtable

4. Связывание агентов вместе:

   • Создание группового чата с Агентом-посредником пользователя, Исследователем, Менеджером исследований и Директором.
   • Инициирование сообщений в группу для запуска процесса исследования.

Ранее моим исследовательским агентом была простая цепочка линейных языковых моделей, которая следовала очень прямолинейному процессу. Он мог взять тему исследования, запустить поиск в Google и позволить большой языковой модели выбрать наиболее релевантные ссылки и составить сценарий веб-сайтов. Затем агент генерировал отчет на основе собранной информации. Хотя этот подход работал, он был ограничен очень базовыми и очевидными исследовательскими задачами.

Два месяца спустя исследовательский агент эволюционировал в агента ИИ - сочетание большой языковой модели, памяти и инструментов. Этот агент мог рассуждать, чтобы разбить большую цель на подзадачи, и имел доступ к различным инструментам, таким как API поиска Google, для выполнения этих задач. У него также была долгосрочная память, чтобы помнить свои предыдущие действия. Основное отличие заключалось в том, что агент ИИ был более ориентирован на цель, позволяя ему предпринимать несколько действий для выполнения исследовательской задачи, даже при достаточно неоднозначных целях.

Эта вторая версия исследовательского агента была значительным улучшением, обеспечивая более качественные результаты исследований и предоставляя список ссылок на источники. Однако у него все еще были некоторые проблемы. Качество результатов не всегда было стабильным, и агент испытывал трудности со сложными или ограниченными действиями, которые модель OpenAI не была предназначена для обработки, такими как поиск конкретной контактной информации.

Следующий прорыв произошел с появлением многоагентных систем, таких как M-GPT и ChatDef. Эти системы были направлены на улучшение производительности задач за счет введения не только одного, но и нескольких агентов, работающих вместе. Недавние фреймворки, такие как Autogon, сделали создание этих совместных систем еще более простым, позволяя гибко создавать различные иерархии и структуры для координации сотрудничества между разными агентами.

С выпуском API помощника OpenAI и GPT-3 стоимость создания полезных агентов значительно снизилась. Это побудило меня создать исследователя ИИ 3.0, где оригинальный агент-исследователь по-прежнему выполняет исследования, но вводится агент-менеджер исследований для критики результатов и обеспечения контроля качества. Кроме того, можно добавить агента-директора исследований, который может разбивать большие исследовательские цели на подзадачи и делегировать их менеджеру исследований и исследователям, а также выполнять задачи, такие как чтение и запись в базу данных Airtable.

Эта многоагентная система представляет собой парадигмальный сдвиг в том, как мы думаем об ИИ общего назначения. Вместо одного ИИ, который может делать все, акцент делается на создании специализированных агентов, которые могут сотрудничать для достижения общей цели. Этот подход решает технические проблемы обучения единой, всемогущей системы ИИ общего назначения.

Ключом к обучению этих высокоспециализированных агентов являются два распространенных метода: тонкая настройка и генерация, усиленная извлечением знаний из базы данных (RAG). Тонкая настройка полезна, когда вы хотите улучшить навыки модели в выполнении конкретных задач, в то время как RAG лучше подходит для предоставления больших языковых моделей точными и актуальными данными.

Для упрощения процесса тонкой настройки появились платформы, такие как Gradio, которые упрощают тонкую настройку высокопроизводительных открытых моделей, таких как LLaMA и Hermit. Gradio устраняет необходимость в специализированной инфраструктуре и вычислительных единицах, позволяя разработчикам и предприятиям тонко настраивать модели всего за несколько строк кода и по модели оплаты по мере использования.

Используя эти достижения, система исследователя ИИ 3.0 теперь может обеспечивать более стабильные и автономные результаты исследований, при этом различные агенты сотрудничают для обеспечения качества и эффективности.

Ключом к построению эффективной многоагентной исследовательской системы является четкое определение ролей и обязанностей каждого агента, а также создание прочной координационной структуры. В этой системе у нас есть три различных агента:

1. Директор исследований: Директор отвечает за управление общим процессом исследований. Они извлекают список компаний, которые необходимо исследовать, из базы данных Airtable, разбивают исследовательские задачи и делегируют их Менеджеру исследований и Исследователям. Директор также обновляет записи Airtable с результатами завершенных исследований.

2. Менеджер исследований: Менеджер исследований выступает в качестве контролера качества. Они проверяют результаты исследований, предоставленные Исследователями, дают обратную связь и обеспечивают, чтобы собранная информация была всеобъемлющей и соответствовала целям исследования.

3. Исследователи: Исследователи являются рабочими лошадками системы. Они отвечают за проведение фактических исследований, выполнение поисков в Google, сбор информации с соответствующих веб-сайтов и обобщение результатов.

Координация между этими агентами осуществляется с помощью фреймворка Autogon, который упрощает использование API помощника OpenAI. Каждый агент определяется как агент-помощник GPT с конкретными системными подсказками и зарегистрированными функциями. Агенты общаются через групповой чат, где Директор делегирует задачи, Исследователи предоставляют обновления, а Менеджер проводит обзор и дает обратную связь.

Разработка системы исследователя ИИ демонстрирует быстрый прогресс в возможностях ИИ, особенно в областях многоагентного сотрудничества и ориентированного на задачи рассуждения. Ключевые особенности этой системы включают:

1. Модульная архитектура агентов: Система построена с использованием многоагентного подхода, при котором специализированные агенты (Директор, Менеджер исследований и Исследователь) работают вместе для выполнения исследовательской задачи. Эта модульная конструкция обеспечивает гибкость и масштабируемость.

2. Автоматизированный рабочий процесс исследований: Система автоматизирует процесс исследований, от разбиения исследовательской цели, делегирования задач, проведения веб-поиска и обобщения результатов до обновления окончательных результатов в базе данных Airtable.

3. Контроль качества: Агент-менеджер исследований выступает в качестве механизма контроля качества, предоставляя обратную связь и побуждая агента-исследователя находить более всеобъемлющую информацию для обеспечения высококачественных результатов исследований.

4. Использование внешних инструментов: Система интегрирует различные внешние сервисы, такие как Google Search, веб-скрапинг и Airtable, для сбора и организации исследовательских данных, демонстрируя способность использовать разнообразный набор инструментов.

5. Непрерывное совершенствование: Автор отмечает итеративный процесс разработки, при котором каждая версия системы исследователя ИИ вводит новые возможности и устраняет предыдущие ограничения, такие как непоследовательное качество и управление памятью.

6. Доступность и масштабируемость: Использование платформ, таких как Gradio для тонкой настройки моделей и Autogen для координации многоагентных систем, помогает снизить технические барьеры для разработчиков при создании и развертывании таких систем.