De viktigaste stegen i att bygga detta multiagentforskningssystem är:

1. Skapa tre olika GPT-assistenter:

   • Direktör: Läser och uppdaterar Airtable-databasen, bryter ner forskningsuppgifter och delegerar till forskningshanteraren och forskarna.
   • Forskningshanterare: Genererar forskningsplaner, granskar och säkerställer kvalitetssäkring för den forskning som levereras av forskarna.
   • Forskare: Agenten som faktiskt surfar på internet, samlar information och producerar forskningsresultaten.

2. Använd Anthropics Autogon-ramverk:

   • Autogon förenklar användningen av OpenAI Assistant API genom att tillhandahålla ett rakt sätt att orkestrera samarbetet mellan de olika agenterna.

3. Implementera nödvändiga funktioner:

   • Google-sökning
   • Webbskrapning och sammanfattning
   • Hämtning och uppdatering av Airtable-poster

4. Koppla samman agenterna:

   • Skapa en gruppchatt med användarproxyn, forskaren, forskningshanteraren och direktören.
   • Utlös meddelanden till gruppen för att initiera forskningsprocessen.

Resultatet är ett kraftfullt, autonomt forskningssystem som kan hantera komplexa forskningsuppgifter genom att utnyttja de specialiserade förmågorna hos flera agenter som arbetar tillsammans. Detta tillvägagångssätt representerar ett paradigmskifte i hur vi tänker på AGI, bort från idén om en enda, allsmäktig AI mot ett samarbetssystem av specialiserade agenter.

Tidigare var min forskningsagent en enkel linjär språkmodellkedja som följde en mycket rak process. Den kunde ta ett forskningsämne, utlösa en Google-sökning och låta en stor språkmodell välja de mest relevanta länkarna och skriva webbplatserna. Agenten skulle sedan generera en rapport baserad på den insamlade informationen. Även om denna metod fungerade, var den begränsad till mycket grundläggande och uppenbara forskningsuppgifter.

Två månader senare utvecklades forskningsagenten till en AI-agent - en kombination av en stor språkmodell, minne och verktyg. Denna agent kunde resonera för att bryta ner ett stort mål i deluppgifter och hade tillgång till olika verktyg som Google Search API för att slutföra dessa uppgifter. Den hade också långsiktigt minne för att komma ihåg sina tidigare åtgärder. Den grundläggande skillnaden var att AI-agenten var mer målinriktad, vilket gjorde att den kunde vidta flera åtgärder för att slutföra en forskningsuppgift, även med ganska tvetydiga mål.

Denna andra version av forskningsagenten var en betydande förbättring, som levererade forskningsresultat av högre kvalitet och tillhandahöll en lista med referenslänkar. Den hade dock fortfarande vissa problem. Kvaliteten på resultaten var inte alltid konsekvent, och agenten kämpade med komplexa eller begränsade åtgärder som OpenAI-modellen inte var utformad för att hantera, som att hitta specifik kontaktinformation.

Det nästa genombrottet kom med framväxten av multiagentsystem som M-GPT och ChatDef. Dessa system syftade till att förbättra uppgiftsresultatet genom att införa inte bara en utan flera agenter som arbetar tillsammans. De senaste ramverken som Autogon gjorde skapandet av dessa samarbetssystem ännu enklare, vilket möjliggjorde den flexibla skapandet av olika hierarkier och strukturer för att orkestrera samarbetet mellan olika agenter.

Med lanseringen av OpenAI Assistant API och GPT-3 har kostnaden för att bygga användbara agenter sjunkit avsevärt. Detta fick mig att skapa en AI-forskare 3.0, där den ursprungliga forskaragenten fortfarande utför forskningen, men en forskningshanteragsagent introduceras för att kritisera resultaten och säkerställa kvalitetskontroll. Dessutom kan en forskningsdirektörsagent läggas till för att bryta ner stora forskningsmål i deluppgifter och delegera dem till forskningshanteraren och forskarna, samtidigt som den också hanterar uppgifter som att läsa från och skriva till en Airtable-databas.

Detta multiagentsystem representerar ett paradigmskifte i hur vi tänker på AGI. Istället för en enda AI som kan göra allt, ligger fokus på att skapa specialiserade agenter som kan samarbeta mot ett gemensamt mål. Detta tillvägagångssätt hanterar de tekniska utmaningarna med att träna ett enda, allsmäktigt AGI-system.

Nycklarna till att träna dessa högt specialiserade agenter ligger i två vanliga metoder: fintuning och kunskapsbaserad återhämtningsförstärkt generering (RAG). Fintuning är användbart när du vill förbättra modellens färdigheter i att utföra specifika uppgifter, medan RAG är bättre lämpad för att förse stora språkmodeller med exakt och uppdaterad data.

För att göra fintunningsprocessen mer tillgänglig har plattformar som Gradio dykt upp, vilket förenklar fintunningen av högpresterande öppna källkodmodeller som LLaMA och Hermit. Gradio tar bort behovet av dedikerad infrastruktur och beräkningsenheter, vilket gör att utvecklare och företag kan fintuning modeller med bara några rader kod och en betala-per-användning-prissättningsmodell.

Genom att utnyttja dessa framsteg kan AI-forskare 3.0-systemet nu leverera mer konsekventa och autonoma forskningsresultat, där de olika agenterna samarbetar för att säkerställa kvalitet och effektivitet.

De inledande versionerna av AI-forskaren hade begränsningar, som ett linjärt flöde och ojämn kvalitet. För att åtgärda dessa problem utforskade författaren användningen av AI-agenter - en kombination av stora språkmodeller, minne och verktyg. Detta möjliggjorde en mer målinriktad forskning, där agenten kunde bryta ner en uppgift i deluppgifter och utnyttja olika verktyg för att slutföra forskningen.

Introduktionen av multiagentsystem, som M8GT och ChatDef, förbättrade uppgiftsresultatet ytterligare genom att ha flera agenter som samarbetar. De senaste ramverken som Anthropics Autogen gjorde skapandet av dessa samarbetssystem ännu enklare, vilket möjliggjorde utvecklingen av flexibla hierarkier och strukturer för att orkestrera samarbetet mellan olika agenter.

Författaren beslutade sig sedan för att skapa en AI-forskare 3.0, där den ursprungliga forskaragenten skulle fokusera på den faktiska forskningen, medan en forskningshanteragsagent skulle introduceras för att kritisera resultaten och säkerställa kvalitetskontroll. Dessutom lades en forskningsdirektörsagent till för att bryta ner forskningsmålen i deluppgifter och delegera dem till forskningshanteraren och forskaragenterna. Denna multiagentansats ledde till en mer konsekvent forskningskvalitet och ett mer autonomt system.

Författaren diskuterade också de två vanliga sätten att träna specialiserade agenter: fintuning och kunskapsbaserad återhämtningsförstärkt generering (RAG). Medan fintuning kan förbättra modellens färdigheter i specifika uppgifter kan det vara utmanande och kräva specialiserad maskinvara. Författaren lyfte fram Anthropics Gradio-plattform som ett verktyg som förenklar fintunningsprocessen och gör den tillgänglig för utvecklare och företag.

I slutändan gav författaren en stegvis guide om hur man bygger detta multiagentsystem för forskning med hjälp av Autogen, vilket demonstrerade flexibiliteten och kraften i detta tillvägagångssätt för att skapa autonoma och samarbetande AI-system.

Fintuning av högpresterande öppen källkod-modeller kan vara en utmanande uppgift, ofta med krav på specialiserad maskinvara med stor minneskapacitet. Gradient, en plattform utvecklad av Anthropic, minskar dock barriären för fintuning avsevärt genom att göra processen extremt enkel och tillgänglig för alla utvecklare och företag.

Med bara några rader kod kan du fintuning modeller som LLaMA, Noris och Hermès med hjälp av Gradient. Plattformen stöder flera programmeringsspråk, inklusive Node.js, Python och ett kommandoradsinterface, och tillhandahåller alla nödvändiga verktyg och självstudier för att komma igång snabbt.

En av de viktigaste fördelarna med att använda Gradient är dess prissättningsmodell. Traditionellt kräver fintuning initiala kostnader för dedikerad infrastruktur och beräkningsenheter. Gradient, å andra sidan, tar bort behovet av infrastruktur och låter dig betala endast för det du använder, baserat på ett tokenbaserat system.

Om du klickar på länken i beskrivningen nedan kommer du att få 5 dollar i gratis krediter för att komma igång med Gradient. Detta kan vara särskilt användbart om du har ett behov av att fintuning modeller men inte vet var du ska börja. Gradients användarvänliga plattform och omfattande resurser gör processen smidig, vilket gör att du kan fokusera på dina specifika användningsfall och krav.

Nycklarna till att bygga ett effektivt multiagentforskningssystem ligger i att tydligt definiera rollerna och ansvarsområdena för varje agent, samt att etablera en robust samordningsram. I detta system har vi tre distinkta agenter:

1. Forskningsdirektör: Direktören ansvarar för att hantera hela forskningsprocessen. De extraherar listan över företag som ska forskas på från Airtable-databasen, bryter ner forskningsuppgifterna och delegerar dem till forskningshanteraren och forskarna. Direktören uppdaterar också Airtable-posterna med de färdiga forskningsresultaten.

2. Forskningshanterare: Forskningshanteraren fungerar som kvalitetskontrollens grindvakt. De granskar de forskningsresultat som tillhandahålls av forskarna, ger feedback och säkerställer att den insamlade informationen är omfattande och i linje med forskningsobjektiven.

3. Forskare: Forskarna är systemets arbetshästar. De ansvarar för att faktiskt utföra forskningen, utföra Google-sökningar, skrapa relevanta webbplatser och sammanfatta resultaten.

Samordningen mellan dessa agenter underlättas av Autogon-ramverket, som förenklar användningen av OpenAI Assistant API. Varje agent definieras som en GPT-assistentagent, med specifika systemprompter och registrerade funktioner. Agenterna kommunicerar genom en gruppchatt, där direktören delegerar uppgifter, forskarna ger uppdateringar och hanteraren granskar och ger feedback.

Genom att dela upp forskningsprocessen i dessa specialiserade roller kan systemet leverera mer konsekventa och högkvalitativa forskningsresultat. Direktören ser till att forskningen är i linje med de övergripande målen, hanteraren utövar kvalitetskontroll och forskarna fokuserar på att utföra uppgifterna.

Denna multiagentansats representerar ett paradigmskifte i hur vi tänker på AGI (Artificiell Generell Intelligens). Istället för en enda, allsmäktig AI, består systemet av flera specialiserade agenter som samarbetar mot ett gemensamt mål. Denna modulära och skalbar design möjliggör införandet av ytterligare agenter, som en "forskningsdirektör" eller "dataanalytiker", för att ytterligare förbättra systemets möjligheter.

Utvecklingen av AI-forskarsystemet visar den snabba utvecklingen av AI-möjligheter, särskilt inom områdena för multiagentsamarbete och uppgiftsorienterat resonerande. De viktigaste höjdpunkterna i detta system inkluderar:

1. Modulär agentarkitektur: Systemet är byggt med en multiagentansats, med specialiserade agenter (direktör, forskningshanterare och forskare) som arbetar tillsammans för att utföra forskningsuppgiften. Denna modulära design möjliggör flexibilitet och skalbarhet.

2. Automatiserad forskningsarbetsflöde: Systemet automatiserar forskningsprocessen, från att bryta ner forskningsmålet, delegera uppgifter, utföra webbsökningar och sammanfatta resultat, till att uppdatera de slutliga resultaten i Airtable-databasen.

3. Kvalitetssäkring: Forskningshanteragsagenten fungerar som en kvalitetskontrollmekanism, ger feedback och driver forskaragenten att hitta mer omfattande information för att säkerställa högkvalitativa forskningsresultat.

4. Utnyttjande av externa verktyg: Systemet integrerar olika externa tjänster, som Google Search, webbskrapning och Airtable, för att samla in och organisera forskningsdata, vilket visar förmågan att utnyttja en mångfald av verktyg.

5. Kontinuerlig förbättring: Författaren belyser den iterativa utvecklingsprocessen, där varje version av AI-forskarsystemet introducerar nya möjligheter och åtgärdar tidigare begränsningar, som ojämn kvalitet och minneshantering.

6. Tillgänglighet och skalbarhet: Användningen av plattformar som Gradio för fintuning av modeller och Autogen för multiagentsamordning hjälper till att minska de tekniska hindren för utvecklare att bygga och distribuera sådana system.

Sammanfattningsvis representerar detta AI-forskarsystem ett betydande steg framåt i utvecklingen av autonoma, uppgiftsorienterade AI-agenter som kan samarbeta för att hantera komplexa forskningsuppgifter. Den modulära och skalerbara utformningen, kombinerad med integrationen av externa verktyg och tjänster, visar på potentialen för sådana system att tillämpas inom en bred uppsättning domäner, från försäljning och riskkapital till alla områden som kräver omfattande och tillförlitlig forskning.