Các bước chính trong việc xây dựng hệ thống nghiên cứu đa tác nhân này là:

1. Tạo ba trợ lý GPT khác nhau:

   • Giám đốc: Đọc và cập nhật cơ sở dữ liệu Airtable, phân chia các nhiệm vụ nghiên cứu và ủy thác cho Quản lý Nghiên cứu và Nhà nghiên cứu.
   • Quản lý Nghiên cứu: Tạo ra các kế hoạch nghiên cứu, xem xét và đảm bảo chất lượng cho các kết quả nghiên cứu do Nhà nghiên cứu cung cấp.
   • Nhà nghiên cứu: Đó là tác nhân thực sự duyệt internet, thu thập thông tin và tạo ra các kết quả nghiên cứu.

2. Sử dụng Khung Autogon của Anthropic:

   • Autogon đơn giản hóa việc sử dụng API Trợ lý OpenAI bằng cách cung cấp một cách tiếp cận đơn giản để phối hợp sự hợp tác giữa các tác nhân khác nhau.

3. Triển khai các chức năng cần thiết:

   • Tìm kiếm Google
   • Thu thập và tóm tắt thông tin từ các trang web
   • Truy xuất và cập nhật hồ sơ Airtable

4. Kết nối các tác nhân với nhau:

   • Tạo một nhóm chat với Tác nhân Proxy Người dùng, Nhà nghiên cứu, Quản lý Nghiên cứu và Giám đốc.
   • Kích hoạt các tin nhắn cho nhóm để khởi động quá trình nghiên cứu.

Kết quả là một hệ thống nghiên cứu tự động mạnh mẽ có thể xử lý các nhiệm vụ nghiên cứu phức tạp bằng cách khai thác các khả năng chuyên biệt của nhiều tác nhân làm việc cùng nhau. Cách tiếp cận này đại diện cho một bước ngoặt trong cách chúng ta suy nghĩ về AGI, chuyển từ ý tưởng về một AI toàn năng duy nhất sang một hệ thống hợp tác của các tác nhân chuyên biệt.

Trong quá khứ, tác nhân nghiên cứu của tôi là một chuỗi mô hình ngôn ngữ tuyến tính đơn giản tuân theo một quy trình rất đơn giản. Nó có thể lấy một chủ đề nghiên cứu, kích hoạt tìm kiếm Google và để một mô hình ngôn ngữ lớn chọn các liên kết liên quan nhất và viết kịch bản cho các trang web. Tác nhân sau đó sẽ tạo ra một báo cáo dựa trên thông tin đã thu thập. Mặc dù cách tiếp cận này hoạt động, nhưng nó bị giới hạn ở các nhiệm vụ nghiên cứu rất cơ bản và hiển nhiên.

Sau hai tháng, tác nhân nghiên cứu đã phát triển thành một tác nhân AI - sự kết hợp của một mô hình ngôn ngữ lớn, bộ nhớ và công cụ. Tác nhân này có thể lý luận để phân chia một mục tiêu lớn thành các nhiệm vụ phụ và có quyền truy cập vào các công cụ khác nhau như API Tìm kiếm Google để hoàn thành những nhiệm vụ đó. Nó cũng có bộ nhớ dài hạn để nhớ các hành động trước đó của mình. Sự khác biệt cơ bản là tác nhân AI hướng mục tiêu hơn, cho phép nó thực hiện nhiều hành động để hoàn thành một nhiệm vụ nghiên cứu, ngay cả với các mục tiêu khá mơ hồ.

Phiên bản thứ hai của tác nhân nghiên cứu là một bước cải thiện đáng kể, mang lại kết quả nghiên cứu chất lượng cao hơn và cung cấp một danh sách các liên kết tham khảo. Tuy nhiên, nó vẫn còn một số vấn đề. Chất lượng của các kết quả không phải lúc nào cũng nhất quán, và tác nhân gặp khó khăn với các hành động phức tạp hoặc bị hạn chế mà mô hình OpenAI không được thiết kế để xử lý, chẳng hạn như tìm thông tin liên hệ cụ thể.

Bước đột phá tiếp theo đến từ sự xuất hiện của các hệ thống đa tác nhân như M-GPT và ChatDef. Những hệ thống này nhằm mục đích cải thiện hiệu suất nhiệm vụ bằng cách giới thiệu không chỉ một mà nhiều tác nhân làm việc cùng nhau. Các Khung Autogon gần đây càng làm cho việc tạo ra những hệ thống hợp tác này trở nên dễ dàng hơn, cho phép tạo ra linh hoạt các cấu trúc và cấu trúc phân cấp khác nhau để phối hợp sự hợp tác giữa các tác nhân khác nhau.

Với việc ra mắt API Trợ lý OpenAI và GPT-3, chi phí xây dựng các tác nhân hữu ích đã giảm đáng kể. Điều này thúc đẩy tôi tạo ra một Nhà nghiên cứu AI 3.0, nơi tác nhân nghiên cứu ban đầu vẫn thực hiện nghiên cứu, nhưng một tác nhân quản lý nghiên cứu được giới thiệu để phê bình các kết quả và đảm bảo kiểm soát chất lượng. Ngoài ra, một tác nhân giám đốc nghiên cứu có thể được thêm vào để phân chia các mục tiêu nghiên cứu lớn thành các nhiệm vụ phụ và ủy thác cho quản lý nghiên cứu và các nhà nghiên cứu, đồng thời xử lý các nhiệm vụ như đọc và ghi vào cơ sở dữ liệu Airtable.

Hệ thống đa tác nhân này đại diện cho một bước ngoặt trong cách chúng ta suy nghĩ về AGI. Thay vì một AI duy nhất có thể làm mọi thứ, trọng tâm là tạo ra các tác nhân chuyên biệt có thể hợp tác để đạt được mục tiêu chung. Cách tiếp cận này giải quyết các thách thức kỹ thuật trong việc đào tạo một hệ thống AGI toàn năng duy nhất.

Chìa khóa để đào tạo những tác nhân chuyên biệt này nằm ở hai phương pháp phổ biến: tinh chỉnh và tạo ra kiến thức-cơ sở dữ liệu-tăng cường tạo ra (RAG). Tinh chỉnh hữu ích khi bạn muốn cải thiện kỹ năng của mô hình trong việc thực hiện các nhiệm vụ cụ thể, trong khi RAG phù hợp hơn để cung cấp cho các mô hình ngôn ngữ lớn dữ liệu chính xác và cập nhật.

Để quá trình tinh chỉnh trở nên dễ tiếp cận hơn, các nền tảng như Gradio đã xuất hiện, đơn giản hóa việc tinh chỉnh các mô hình nguồn mở hiệu suất cao như LLaMA và Hermit. Gradio loại bỏ nhu cầu về cơ sở hạ tầng và đơn vị tính toán chuyên dụng, cho phép các nhà phát triển và doanh nghiệp tinh chỉnh các mô hình chỉ với vài dòng mã và mô hình định giá trả theo yêu cầu.

Bằng cách tận dụng những tiến bộ này, hệ thống Nhà nghiên cứu AI 3.0 hiện có thể cung cấp kết quả nghiên cứu nhất quán và tự động hơn, với các tác nhân khác nhau hợp tác để đảm bảo chất lượng và hiệu quả.

Các phiên bản ban đầu của nhà nghiên cứu AI có những hạn chế, chẳng hạn như một dòng chảy tuyến tính và chất lượng không nhất quán. Để giải quyết những vấn đề này, tác giả đã khám phá việc sử dụng các tác nhân AI - sự kết hợp của các mô hình ngôn ngữ lớn, bộ nhớ và công cụ. Điều này cho phép nghiên cứu hướng mục tiêu hơn, nơi tác nhân có thể phân chia một nhiệm vụ thành các nhiệm vụ phụ và sử dụng các công cụ khác nhau để hoàn thành nghiên cứu.

Sự ra đời của các hệ thống đa tác nhân, chẳng hạn như M8GT và ChatDef, tiếp tục cải thiện hiệu suất nhiệm vụ bằng cách có nhiều tác nhân hợp tác. Các khung mới như Autogen của Anthropic càng làm cho việc tạo ra những hệ thống hợp tác này trở nên dễ dàng hơn, cho phép phát triển các cấu trúc và cấu trúc phân cấp linh hoạt để phối hợp sự hợp tác giữa các tác nhân khác nhau.

Tác giả sau đó quyết định tạo ra một Nhà nghiên cứu AI 3.0, nơi tác nhân nghiên cứu ban đầu sẽ tập trung vào nghiên cứu thực tế, trong khi một tác nhân quản lý nghiên cứu được giới thiệu để phê bình các kết quả và đảm bảo kiểm soát chất lượng. Ngoài ra, một tác nhân giám đốc nghiên cứu được thêm vào để phân chia các mục tiêu nghiên cứu thành các nhiệm vụ phụ và ủy thác cho các tác nhân quản lý nghiên cứu và nhà nghiên cứu. Cách tiếp cận đa tác nhân này dẫn đến chất lượng nghiên cứu nhất quán hơn và một hệ thống tự động hơn.

Tác giả cũng thảo luận về hai cách phổ biến để đào tạo các tác nhân chuyên biệt: tinh chỉnh và tạo ra kiến thức-cơ sở dữ liệu-tăng cường tạo ra (RAG). Trong khi tinh chỉnh có thể cải thiện kỹ năng mô hình trong các nhiệm vụ cụ thể, nó có thể gặp thách thức và yêu cầu phần cứng chuyên dụng. Tác giả đã nhấn mạnh nền tảng Gradio của Anthropic như một công cụ đơn giản hóa quá trình tinh chỉnh và làm cho nó dễ tiếp cận với các nhà phát triển và doanh nghiệp.

Cuối cùng, tác giả đã cung cấp hướng dẫn từng bước về cách xây dựng hệ thống nghiên cứu đa tác nhân này bằng cách sử dụng Autogen, chứng minh tính linh hoạt và sức mạnh của cách tiếp cận này trong việc tạo ra các hệ thống AI tự động và hợp tác.

Việc tinh chỉnh các mô hình nguồn mở hiệu suất cao có thể là một nhiệm vụ đầy thách thức, thường yêu cầu phần cứng chuyên dụng với dung lượng bộ nhớ lớn. Tuy nhiên, Gradient, một nền tảng do Anthropic phát triển, đáng kể giảm rào cản tinh chỉnh bằng cách làm cho quá trình này cực kỳ đơn giản và dễ tiếp cận với tất cả các nhà phát triển và doanh nghiệp.

Chỉ với vài dòng mã, bạn có thể tinh chỉnh các mô hình như LLaMA, Noris và Hermès bằng cách sử dụng Gradient. Nền tảng hỗ trợ nhiều ngôn ngữ lập trình, bao gồm Node.js, Python và giao diện dòng lệnh, và cung cấp tất cả các công cụ và hướng dẫn cần thiết để bắt đầu nhanh chóng.

Một trong những lợi ích chính của việc sử dụng Gradient là mô hình định giá của nó. Truyền thống, tinh chỉnh yêu cầu chi ph