微软的Autogen是一个强大的多智能体对话框架,最近进行了重大更新,重点提高了其处理复杂任务和提高智能体性能的能力。这一更新由微软研究院AI首席研究员Adam Forna讨论,展示了多个智能体协作完成复杂多步骤任务的有效性。

这一更新的主要亮点包括:

1. 任务完成能力提升: 新的Autogen框架在GAIA等基准测试中的表现优于之前的单智能体解决方案,展示了其更有效处理复杂任务的能力。

2. 可定制的智能体编排: 用户现在可以创建可定制的智能体编排,让它们进行协作、推理和利用各种工具来实现复杂的结果。

3. 增强的推理和工具使用能力: Autogen框架内的智能体具有推理、规划和利用工具完成任务的能力,不仅局限于生成文本。

4. 迭代任务解决: 智能体遵循分配任务、监控进度、并在遇到停滞时更新方法的循环,允许更系统地探索解决方案。

5. 未来增强计划: Autogen团队正在探索引入新的智能体,使其能够通过经验学习和自我提升,更好地理解视觉信息,并采用更务实的策略探索解决空间。

对Autogen的这一更新展示了多智能体协作在处理复杂现实任务中的力量,使其成为开发人员、研究人员和企业自动化和简化各种流程的有价值工具。

微软Autogen框架的新更新展示了使用多个协作智能体完成复杂多步骤任务的有效性。根据微软研究院AI首席研究员Adam Forna的说法,这种方法使智能体在GAIA等基准测试中的表现优于之前的单智能体解决方案。

成功的关键在于能够创建可定制的智能体编排,让它们进行协作、推理和利用各种工具来实现复杂的结果。Forna将智能体描述为"非常强大的抽象"概念,能够处理任务分解、专业化和工具使用。通过组建合适的智能体团队,用户可以更有效地解决复杂问题。

Autogen框架是开源的,可在GitHub上获得,它支持创建这些多智能体工作流。Forna展示的演示中使用了四个智能体:一个通用助手、一个计算机终端、一个Web服务器和一个协调器。这个团队在GAIA基准测试中取得了最佳结果,在最具挑战性的问题上的表现超过了两倍。

智能体遵循一个结构化的计划,从任务提示开始,构建一个包含已验证事实、猜测和需要查找信息的"账本"。然后他们将任务分配给个别智能体,监控进度并在必要时进行迭代。这种方法使智能体能够推理、行动和观察,利用其专业能力来解决复杂问题。

未来,Autogen团队很兴奋能够探索进一步增强的机会,如引入能够学习和自我提升、更好地理解视觉信息,以及更系统地探索解决空间的智能体。通过不断推进多智能体协作的边界,Autogen旨在使用大型基础模型可靠地完成长期复杂任务。

微软研究院AI首席研究员Adam Forna介绍了团队使用Autogen框架中的多智能体工作流完成复杂任务的工作。目标是使用大型基础模型可靠地完成长期复杂任务。

团队采用了使用多智能体工作流作为实现这一目标的平台。智能体是强大的抽象概念,可以处理任务分解、专业化和工具使用。通过组建包括通用助手、计算机终端、Web服务器和协调器在内的智能体团队,团队能够在GIAI(通用AI辅助)基准测试中取得最先进的成绩。

具体来说,该团队的四智能体工作流能够:

1. 登顶GIAI排行榜: 3月,该团队的解决方案在GIAI排行榜上取得了最佳结果,超过之前的单智能体解决方案约8分。

2. 在最困难问题上大幅提升: 该团队的解决方案在GIAI基准测试中最困难的一组问题(3级)上的表现超过了两倍,作者将其描述为"需要任意长的行动序列、使用任意数量的工具,以及访问整个世界"。

团队成功的关键在于智能体遵循的迭代过程:

1. 生成账本: 智能体首先生成一个工作记忆,包括给定或已验证的事实、需要查找的事实和有根据的猜测。
2. 分配任务: 然后将任务分配给独立的智能体。
3. 迭代和委派: 智能体进入内部循环,检查是否完成或仍在取得进展。只要取得进展,他们就会将下一步委派给下一个智能体。
4. 处理停滞: 如果智能体在三轮内没有取得进展,他们会回去,更新账本,制定新的任务分配,然后重新开始。

这种配置对团队来说效果很好,他们对引入能够学习、自我提升、更好地理解图像和截图,以及更系统地探索解决空间的新智能体的机会感到兴奋。

Autogen框架是开源的,可在GitHub上获得,团队鼓励大家查看并开始使用这个强大的新更新。

智能体遵循一个结构化的循环来解决复杂任务。该过程始于初始问题或提示,智能体使用它来生成一个"账本" - 一个包含给定或已验证事实、需要查找的事实和有根据猜测的工作记忆。

有了账本后,智能体将任务分配给团队中的独立智能体。智能体然后进入内部循环,首先检查任务是否完成。如果没有,他们会评估是否仍在取得进展。只要取得进展,智能体就会将下一步委派给适当的智能体。

但是,如果智能体发现已经不再取得进展,他们会记录下来。他们可能还会委派一个步骤,但如果停滞持续三轮,他们将返回,更新账本,并为智能体制定新的任务分配,重新启动该过程。

这种结构化的方法,让智能体进行协作并监控进度,使团队能够有效地解决复杂的多步骤任务,在GAIA等基准测试中优于之前的单智能体解决方案。

Autogen背后的研究团队对进一步增强该框架的能力感到兴奋。他们未来的一些关键计划包括:

1. 引入新的智能体: 团队正在寻求添加新的智能体,使其能够通过经验学习和自我提升。这些智能体可以更好地理解图像、截图和界面,从而能够更有效地进行网络浏览和工具使用。

2. 提高系统探索: 研究人员希望使智能体在解决问题的策略上更加务实。当他们遇到困难时,智能体不仅仅是更新账本并重新启动,而是能够更系统地探索解决空间,采用更好的策略取得进展。

3. 应对越来越复杂的基准测试和现实场景: 该团队已经开始将当前的Autogen配置应用于更复杂的基准测试和现实世界用例。他们迫不及待地想看到多智能体方法如何应对日益复杂的任务。

4. 增强智能体协作和协调: 研究人员计划探索提高智能体之间协作和协调的方法,使他们能够更有效地合作完成复杂的多步骤任务。

5. 改进账本管理和决策: 该团队将专注于完善账本管理系统和智能体使用的决策过程,确保他们在任务完成过程中能做出更明智和高效的选择。

通过追求这些未来计划,Autogen研究团队旨在进一步提升该框架的能力,使其成为一个更强大的工具,通过协作的多智能体系统来解决复杂的现实世界问题。