Автоген Майкрософт, мощная многоагентная платформа для ведения диалогов, получила значительное обновление, направленное на повышение ее способности справляться со сложными задачами и улучшение производительности агентов. Это обновление, представленное Адамом Форна, ведущим исследователем Майкрософт Рисерч AI, демонстрирует эффективность использования нескольких агентов, работающих совместно для выполнения сложных многоэтапных задач.

Основные особенности этого обновления включают:

1. Улучшенное выполнение задач: Новая платформа Автоген может превзойти предыдущие решения с одним агентом по показателям, таким как GAIA, демонстрируя свою способность более эффективно решать сложные задачи.

2. Настраиваемые конфигурации агентов: Пользователи теперь могут создавать настраиваемые конфигурации агентов, которые могут сотрудничать, рассуждать и использовать различные инструменты для достижения сложных результатов.

3. Улучшенное рассуждение и использование инструментов: Агенты в платформе Автоген обладают возможностью рассуждать, планировать и использовать инструменты для выполнения задач, выходя за рамки простого генерирования текста.

4. Итеративное решение задач: Агенты следуют циклу назначения задач, мониторинга прогресса и обновления своего подхода, если они сталкиваются с застоем, что позволяет более систематически исследовать решения.

5. Будущие улучшения: Команда Автоген изучает возможности введения новых агентов, которые могут обучаться и самосовершенствоваться с опытом, лучше понимать визуальную информацию и использовать более прагматичные стратегии для исследования пространства решений.

Это обновление Автогена демонстрирует силу многоагентного сотрудничества в решении сложных, реальных задач, делая его ценным инструментом для разработчиков, исследователей и бизнеса, стремящихся автоматизировать и оптимизировать различные процессы.

Новое обновление платформы Автоген Майкрософт демонстрирует эффективность использования нескольких агентов, работающих вместе для выполнения сложных многоэтапных задач. По словам Адама Форна, ведущего исследователя Майкрософт Рисерч AI, такой подход позволяет агентам превосходить предыдущие решения с одним агентом по показателям, таким как GAIA.

Ключ к этому успеху заключается в возможности создавать настраиваемые конфигурации агентов, которые могут сотрудничать, рассуждать и использовать различные инструменты для достижения сложных результатов. Форна описывает агентов как "очень мощные абстракции", которые могут справляться с декомпозицией задач, специализацией и использованием инструментов. Собирая правильную команду агентов, пользователи могут более эффективно решать сложные проблемы.

Платформа Автоген, которая является открытым исходным кодом и доступна на GitHub, позволяет создавать эти многоагентные рабочие процессы. Демонстрация, представленная Форна, показывает команду из четырех агентов: общего помощника, компьютерного терминала, веб-сервера и оркестратора. Эта команда смогла достичь лучших результатов на бенчмарке GAIA, более чем удвоив производительность на самых сложных вопросах.

Агенты следуют структурированному плану, начиная с запроса задачи и создавая "журнал" проверенных фактов, предположений и информации, которую нужно найти. Затем они делегируют задачи отдельным агентам, отслеживают прогресс и при необходимости корректируют свой подход. Этот подход позволяет агентам рассуждать, действовать и наблюдать, используя свои специализированные возможности для решения сложных проблем.

В будущем команда Автоген с энтузиазмом рассматривает возможности для дальнейших улучшений, таких как введение агентов, которые могут обучаться и самосовершенствоваться, лучше понимать визуальную информацию и более систематически исследовать пространство решений. Продолжая развивать границы многоагентного сотрудничества, Автоген стремится надежно выполнять длительные и сложные задачи с использованием крупных фундаментальных моделей.

Адам Форна, ведущий исследователь Майкрософт Рисерч AI, представил работу команды по выполнению сложных задач с использованием многоагентных рабочих процессов в платформе Автоген. Цель состояла в том, чтобы надежно выполнять длительные и сложные задачи с использованием крупных фундаментальных моделей.

Команда использовала многоагентные рабочие процессы в качестве платформы для достижения этой цели. Агенты являются мощными абстракциями, которые могут справляться с декомпозицией задач, специализацией и использованием инструментов. Собрав команду агентов, таких как общий помощник, компьютерный терминал, веб-сервер и оркестратор, команда смогла достичь результатов, соответствующих передовому уровню, на бенчмарке GIAI (General AI Assistance).

Конкретно, рабочий процесс команды из четырех агентов смог:

1. Возглавить рейтинг GIAI: В марте решение команды достигло лучших результатов в рейтинге GIAI, превзойдя предыдущие решения с одним агентом примерно на 8 баллов.

2. Значительно улучшить результаты на самых сложных вопросах: Решение команды смогло более чем удвоить производительность на самом сложном наборе вопросов (уровень 3) в бенчмарке GIAI, которые, по словам авторов, требовали "произвольно длинных последовательностей действий, использования любого количества инструментов и доступа к миру в целом".

Ключом к успеху команды стал итеративный процесс, которому следовали их агенты:

1. Создание журнала: Агенты начинают с создания рабочей памяти, состоящей из данных или проверенных фактов, фактов, которые нужно найти, и обоснованных предположений.
2. Назначение задач: Задачи затем распределяются между независимыми агентами.
3. Итерация и делегирование: Агенты входят во внутренний цикл, проверяя, завершена ли задача или они все еще добиваются прогресса. Пока они добиваются прогресса, они делегируют следующий шаг следующему агенту.
4. Обработка застоев: Если агенты не добиваются прогресса в течение трех раундов, они возвращаются, обновляют журнал, разрабатывают новый набор назначений и начинают сначала.

Эта конфигурация хорошо работает для команды, и они с энтузиазмом ожидают возможностей для введения новых агентов, которые могут обучаться, самосовершенствоваться, лучше понимать изображения и скриншоты, а также более систематически исследовать пространство решений.

Платформа Автоген является открытым исходным кодом и доступна на GitHub, и команда призывает всех ознакомиться с ней и начать работу с этим мощным новым обновлением.

Агенты следуют структурированному циклу для решения сложных задач. Процесс начинается с первоначального вопроса или запроса, который агенты используют для создания "журнала" - рабочей памяти, содержащей данные или проверенные факты, факты, которые нужно найти, и обоснованные предположения.

Имея журнал, агенты назначают задачи независимым агентам в команде. Затем агенты входят во внутренний цикл, где сначала проверяют, завершена ли задача. Если нет, они оценивают, продолжают ли они добиваться прогресса. До тех пор, пока прогресс продолжается, агенты будут делегировать следующий шаг соответствующему агенту.

Однако, если агенты обнаруживают, что больше не добиваются прогресса, они делают об этом пометку. Они могут все еще делегировать еще один шаг, но если застой сохраняется в течение трех раундов, они вернутся, обновят журнал и разработают новый набор назначений для агентов, перезапустив процесс.

Этот структурированный подход, при котором агенты сотрудничают и отслеживают свой прогресс, позволяет команде эффективно решать сложные многоэтапные задачи, превосходя предыдущие решения с одним агентом на бенчмарках, таких как GAIA.

Исследовательская команда, стоящая за Автогеном, с энтузиазмом рассматривает возможности для дальнейшего улучшения возможностей платформы. Некоторые из ключевых планов на будущее включают:

1. Введение новых агентов: Команда планирует добавить новых агентов, которые могут обучаться и самосовершенствоваться с опытом. Эти агенты могли бы лучше понимать изображения, скриншоты и интерфейсы, что позволило бы им более эффективно использовать веб-серфинг и инструменты.

2. Улучшение систематического исследования: Исследователи хотят сделать агентов более прагматичными в своих стратегиях решения проблем. Вместо простого обновления журнала и перезапуска, когда они застревают, агенты смогут более систематически исследовать пространство решений, используя более эффективные стратегии для достижения прогресса.

3. Решение все более сложных бенчмарков и реальных сценариев: Команда уже начинает применять текущую конфигурацию Автогена для решения более сложных бенчмарков и реальных кейсов. Они с нетерпением ждут, как многоагентный подход справится с все более сложными задачами.

4. Улучшение сотрудничества и координации агентов: Исследователи планируют изучить способы улучшения сотрудничества и координации между агентами, позволяя им более эффективно работать вместе для выполнения сложных многоэтапных задач.

5. Улучшение управления журналом и принятия решений: Команда будет сосредоточена на совершенствовании системы управления журналом и процессов принятия решений, используемых агентами, чтобы они могли принимать более обоснованные и эффективные решения во время выполнения задач.

Преследуя эти планы на будущее, исследовательская команда Автогена стремится дальше развивать возможности платформы, делая ее еще более мощным инструментом для решения сложных, реальных проблем с помощью сотрудничающих многоагентных систем.