Microsoft's Autogen, en kraftfull multi-agent-konversationsram, har fått en betydande uppdatering som fokuserar på att förbättra dess förmåga att hantera komplexa uppgifter och förbättra agentprestanda. Denna uppdatering, som diskuteras av Adam Forna, en huvudforskare på Microsoft Research AI, visar effektiviteten i att använda flera agenter som arbetar tillsammans för att slutföra invecklade flerstegstasker.

De viktigaste höjdpunkterna i denna uppdatering inkluderar:

1. Förbättrad uppgiftsavslutning: Den nya Autogen-ramen kan prestera bättre än tidigare lösningar med en enda agent på mätningar som GAIA, vilket visar dess förmåga att hantera komplexa uppgifter mer effektivt.

2. Anpassningsbara agentarrangemang: Användare kan nu skapa anpassningsbara arrangemang av agenter som kan samarbeta, resonera och använda olika verktyg för att uppnå komplexa resultat.

3. Förbättrat resonemang och verktygsanvändning: Agenterna inom Autogen-ramen har förmågan att resonera, planera och använda verktyg för att slutföra uppgifter, vilket går utöver att bara generera text.

4. Iterativ uppgiftslösning: Agenterna följer en loop av att tilldela uppgifter, övervaka framsteg och uppdatera sitt tillvägagångssätt om de stöter på stagnation, vilket möjliggör en mer systematisk utforskning av lösningar.

5. Framtida förbättringar: Autogen-teamet utforskar möjligheter att introducera nya agenter som kan lära sig och förbättra sig själva med erfarenhet, bättre förstå visuell information och använda mer pragmatiska strategier för att utforska lösningsutrymmen.

Den nya uppdateringen av Microsofts Autogen-ram visar effektiviteten i att använda flera agenter som arbetar tillsammans för att slutföra komplexa, flerstegstasker. Enligt Adam Forna, en huvudforskare på Microsoft Research AI, gör denna metod att agenterna kan prestera bättre än tidigare lösningar med en enda agent på mätningar som GAIA.

Nyckel till denna framgång ligger i möjligheten att skapa anpassningsbara arrangemang av agenter som kan samarbeta, resonera och använda olika verktyg för att uppnå komplexa resultat. Forna beskriver agenter som "mycket kraftfulla abstraktioner" som kan hantera uppgiftsuppdelning, specialisering och verktygsanvändning. Genom att sammanställa rätt team av agenter kan användare hantera invecklade problem mer effektivt.

Autogen-ramen, som är öppen källkod och tillgänglig på GitHub, möjliggör skapandet av dessa multi-agent-arbetsflöden. Demonstrationen som presenterades av Forna visar ett team på fyra agenter: en allmän assistent, en datorterminaltjänst, en webbserver och en orkestrerare. Detta team kunde uppnå toppresultat på GAIA-mätningen, mer än fördubbla prestandan på de mest utmanande frågorna.

Agenterna följer en strukturerad plan, som börjar med uppgiftsprompt och bygger upp en "dagbok" av verifierade fakta, gissningar och information som ska slås upp. De delegerar sedan uppgifter till de enskilda agenterna, övervakar framsteg och itererar vid behov. Detta tillvägagångssätt låter agenterna resonera, agera och observera, och utnyttja sina specialiserade förmågor för att hantera komplexa problem.

Gående framåt är Autogen-teamet entusiastiskt över möjligheterna till ytterligare förbättringar, såsom att introducera agenter som kan lära sig och förbättra sig själva, bättre förstå visuell information och mer systematiskt utforska lösningsutrymmen. Genom att fortsätta driva gränserna för multi-agent-samarbete strävar Autogen efter att tillförlitligt utföra långvariga, komplexa uppgifter med hjälp av stora grundläggande modeller.

Adam Forna, en huvudforskare på Microsoft Research AI, presenterade teamets arbete med att slutföra komplexa uppgifter med hjälp av multi-agent-arbetsflöden i Autogen-ramen. Målet var att tillförlitligt utföra långvariga, komplexa uppgifter med hjälp av stora grundläggande modeller.

Teamet tog tillvägagångssättet att använda multi-agent-arbetsflöden som plattform för att uppnå detta. Agenter är kraftfulla abstraktioner som kan hantera uppgiftsuppdelning, specialisering och verktygsanvändning. Genom att sammanställa ett team av agenter, såsom en allmän assistent, en datorterminaltjänst, en webbserver och en orkestrerare, kunde teamet uppnå toppresultat på GIAI (General AI Assistance) -mätningen.

Specifikt kunde teamets fyra-agent-arbetsflöde:

1. Toppa GIAI-rankningen: I mars kunde teamets lösning uppnå toppresultat på GIAI-rankningen, vilket överträffade tidigare lösningar med en enda agent med cirka 8 poäng.

2. Avsevärt förbättra på de svåraste frågorna: Teamets lösning kunde mer än fördubbla prestandan på den svåraste uppsättningen frågor (nivå 3) i GIAI-mätningen, vilket författarna beskrev som att kräva "godtyckligt långa sekvenser av åtgärder, användning av vilket antal verktyg som helst och tillgång till världen i allmänhet."

Nyckel till teamets framgång var den iterativa process som deras agenter följde:

1. Producera en dagbok: Agenterna börjar med att producera ett arbetsminne som består av givna eller verifierade fakta, fakta som behöver slås upp och välgrundade gissningar.
2. Tilldela uppgifter: Uppgifterna tilldelas sedan de oberoende agenterna.
3. Iterera och delegera: Agenterna går in i en inre loop, där de kontrollerar om de är klara eller fortfarande gör framsteg. Så länge de gör framsteg delegerar de nästa steg till nästa agent.
4. Hantera stopp: Om agenterna inte gör framsteg under tre rundor går de tillbaka, uppdaterar dagboken, kommer upp med en ny uppsättning uppgifter och startar om.

Denna konfiguration har fungerat bra för teamet, och de är entusiastiska över möjligheterna att introducera nya agenter som kan lära sig, förbättra sig själva, förstå bilder och skärmbilder bättre och utforska lösningsutrymmet mer systematiskt.

Autogen-ramen är öppen källkod och tillgänglig på GitHub, och teamet uppmuntrar alla att kolla in den och komma igång med denna kraftfulla nya uppdatering.

Agenterna följer en strukturerad loop för att hantera komplexa uppgifter. Processen börjar med den initiala frågan eller uppmaningen, som agenterna använder för att producera en "dagbok" - ett arbetsminne som innehåller givna eller verifierade fakta, fakta som behöver slås upp och välgrundade gissningar.

Med dagboken på plats tilldelar agenterna uppgifter till de oberoende agenterna i teamet. Agenterna går sedan in i en inre loop, där de först kontrollerar om uppgiften är klar. Om inte, bedömer de om de fortfarande gör framsteg. Så länge de gör framsteg kommer agenterna att delegera nästa steg till lämplig agent.

Om agenterna däremot upptäcker att de inte längre gör framsteg, noterar de det. De kan fortfarande delegera ett steg till, men om stagnationen kvarstår i tre rundor kommer de att gå tillbaka, uppdatera dagboken och komma upp med en ny uppsättning uppgifter för agenterna, och starta om processen.

Detta strukturerade tillvägagångssätt, där agenterna samarbetar och övervakar sina framsteg, gör att teamet kan hantera komplexa, flerstegstasker effektivt, och prestera bättre än tidigare lösningar med en enda agent på mätningar som GAIA-utmaningen.

Forskningsteamet bakom Autogen är entusiastiskt över möjligheterna att ytterligare förbättra ramens funktioner. Några av deras nyckelplaner för framtiden inkluderar:

1. Introducera nya agenter: Teamet ser över att lägga till nya agenter som kan lära sig och förbättra sig själva med erfarenhet. Dessa agenter skulle kunna ha bättre förståelse för bilder, skärmbilder och gränssnitt, vilket skulle möjliggöra effektivare webbsurfning och verktygsanvändning.

2. Förbättra systematisk utforskning: Forskarna vill göra agenterna mer pragmatiska i sina problemlösningsstrategier. Snarare än att bara uppdatera dagboken och starta om när de kör fast, kommer agenterna att kunna utforska lösningsutrymmet mer systematiskt och använda bättre strategier för att göra framsteg.

3. Hantera allt mer komplexa mätningar och verkliga scenarier: Teamet börjar redan tillämpa den nuvarande Autogen-konfigurationen för att hantera mer komplexa mätningar och verkliga användningsfall. De ser fram emot att se hur multi-agent-tillvägagångssättet kan hantera allt mer utmanande uppgifter.

4. Förbättra agentsamarbete och -samordning: Forskarna planerar att utforska sätt att förbättra samarbetet och samordningen mellan agenterna, så att de kan arbeta mer effektivt tillsammans för att slutföra komplexa, flerstegstasker.

5. Förbättra daghantering och beslutsfattande: Teamet kommer att fokusera på att förfina daghanteringssystemet och beslutsprocesserna som används av agenterna, för att säkerställa att de kan fatta mer informerade och effektiva beslut under uppgiftsavslutning.

Genom att sträva efter dessa framtidsplaner syftar Autogen-forskningsteamet till att ytterligare förbättra ramens funktioner, vilket gör den till ett ännu kraftfullare verktyg för att hantera komplexa, verkliga problem genom användning av samarbetande, multi-agent-system.