建立這個多智能體研究系統的關鍵步驟如下:

1. 創建三個不同的GPT助手:

   • 主管: 讀取和更新Airtable資料庫,分解研究任務,並委派給研究經理和研究人員。
   • 研究經理: 生成研究計劃,審查並確保研究人員交付的研究質量。
   • 研究人員: 實際瀏覽互聯網、收集信息並產生研究結果的智能體。

2. 使用Anthropic的Autogon框架:

   • Autogon通過提供一種簡單的方式來協調不同智能體之間的合作,簡化了使用OpenAI助手API。

3. 實現必要的功能:

   • Google搜索
   • 網站抓取和摘要
   • Airtable記錄檢索和更新

4. 將智能體連接在一起:

   • 創建一個包含用戶代理、研究人員、研究經理和主管的群聊。
   • 觸發群聊消息以啟動研究過程。

結果是一個強大的自主研究系統,可以通過利用多個專門的智能體協作來處理複雜的研究任務。這種方法代表了我們思考AGI的一種範式轉變,從單一的全能AI轉向協作的專門智能體系統。

過去,我的研究智能體是一個簡單的線性語言模型鏈,遵循一個非常簡單的過程。它可以接受一個研究主題,觸發Google搜索,並讓一個大型語言模型選擇最相關的鏈接和編寫網站。智能體然後會根據收集的信息生成一份報告。雖然這種方法可以工作,但它僅限於非常基本和明顯的研究任務。

兩個月後,研究智能體演化成一個AI智能體 - 一個大型語言模型、記憶和工具的組合。這個智能體可以推理將一個大目標分解成子任務,並可以訪問各種工具(如Google搜索API)來完成這些任務。它還有長期記憶,可以記住之前的行動。根本的區別是,AI智能體更加以目標為導向,允許它採取多個行動來完成一項研究任務,即使目標相當模糊。

研究智能體的這個第二版本是一個重大改進,提供了更高質量的研究結果和參考鏈接列表。然而,它仍然存在一些問題。結果的質量並不總是一致的,而且智能體在處理OpenAI模型無法處理的複雜或受限操作(如找到特定的聯繫信息)時會遇到困難。

下一個突破來自於像M-GPT和ChatDef這樣的多智能體系統。這些系統旨在通過引入不止一個而是多個協作的智能體來提高任務性能。最近的Autogon框架使這些協作系統的創建變得更加容易,允許靈活地創建各種層次和結構來協調不同智能體之間的合作。

隨著OpenAI助手API和GPT-3的發布,構建有用智能體的成本大幅下降。這促使我創建了AI研究員3.0,其中原始的研究智能體仍然執行研究,但引入了一個研究經理智能體來評估結果並確保質量控制。此外,還可以添加一個研究主管智能體來將大型研究目標分解成子任務,並將其委派給研究經理和研究人員,同時還處理從Airtable資料庫讀取和寫入的任務。

這個多智能體系統代表了我們思考AGI的一種範式轉變。與其單一的全能AI,重點是創建能夠協作實現共同目標的專門智能體。這種方法解決了培養單一、全能AGI系統的技術挑戰。

培養這些高度專門的智能體的關鍵在於兩種常見的方法:微調和基於知識庫的檢索增強生成(RAG)。微調在您想要提高模型在特定任務上的技能時很有用,而RAG更適合為大型語言模型提供準確和最新的數據。

為了使微調過程更加可及,像Gradio這樣的平台已經出現,簡化了對高性能開源模型(如LLaMA和Hermit)的微調。Gradio消除了對專門基礎設施和計算單元的需求,允許開發者和企業只需幾行代碼和按需付費的定價模式就可以微調模型。

通過利用這些進步,AI研究員3.0系統現在可以提供更一致和自主的研究結果,各個智能體協作以確保質量和效率。

AI研究員的初始版本存在局限性,如線性流程和質量不一致。為了解決這些問題,作者探索了使用AI智能體 - 大型語言模型、記憶和工具的組合。這允許更以目標為導向的研究,智能體可以將任務分解成子任務,並利用各種工具來完成研究。

引入像M8GT和ChatDef這樣的多智能體系統,進一步提高了任務性能,因為有多個智能體協作。最近的Anthropic Autogen框架使這些協作系統的創建變得更加容易,允許開發靈活的層次和結構來協調不同智能體之間的合作。

作者然後決定創建一個AI研究員3.0,其中原始的研究智能體將專注於實際的研究,而引入一個研究經理智能體來評估結果並確保質量控制。此外,還添加了一個研究主管智能體來將研究目標分解成子任務,並將其委派給研究經理和研究人員智能體。這種多智能體方法導致了更一致的研究質量和更自主的系統。

作者還討論了訓練專門智能體的兩種常見方法:微調和基於知識庫的檢索增強生成(RAG)。雖然微調可以提高模型在特定任務上的技能,但它可能很具挑戰性,需要專門的硬件。作者強調Anthropic的Gradio平台是一個簡化微調過程並使其對開發者和企業可及的工具。

最後,作者提供了一個分步指南,說明如何使用Autogen構建這個多智能體研究系統,展示了這種方法在創建自主和協作AI系統方面的靈活性和力量。

微調高性能開源模型可能是一項具有挑戰性的任務,通常需要具有大內存容量的專門硬件。然而,Anthropic開發的Gradient平台大大降低了微調的障礙,使整個過程對所有開發者和企業來說都非常簡單和可及。

只需幾行代碼,您就可以使用Gradient微調LLaMA、Noris和Hermès等模型。該平台支持多種編程語言,包括Node.js、Python和命令行界面,並提供所有必要的工具和教程,以快速入門。

Gradient的一個關鍵優勢是其定價模型。傳統上,微調需要預先投資專門的基礎設施和計算單元。相反,Gradient消除了對基礎設施的需求,並允許您根據代幣制系統僅支付您使用的費用。

如果您點擊下面描述中的鏈接,您將獲得5美元的免費積分,以開始使用Gradient。如果您需要微調模型但不知道從何開始,這可能特別有用。Gradient的用戶友好平台和全面的資源使整個過程變得無縫,讓您可以專注於您的特定用例和需求。

構建有效的多智能體研究系統的關鍵在於明確定義每個智能體的角色和職責,並建立一個健壯的協調框架。在這個系統中,我們有三個不同的智能體:

1. 研究主管: 主管負責管理整個研究過程。他們從Airtable資料庫中提取要研究的公司列表,將研究任務分解,並將其委派給研究經理和研究人員。主管還會將完成的研究結果更新到Airtable記錄中。

2. 研究經理: 研究經理擔任質量控制的把關人。他們審查研究人員提供的研究結果,提供反饋,並確保收集的信息全面且符合研究目標。

3. 研究人員: 研究人員是系統的工作馬。他們負責實際進行研究,執行Google搜索、抓取相關網站並總結研究結果。

Autogon框架促進了這些智能體之間的協調,簡化了使用OpenAI助手API。每個智能體都被定義為一個GPT助手智能體,具有特定的系統提示和註冊功能。智能體通過群聊進行溝通,主管分派任務,研究人員提供更新,經理提供審查和反饋。

通過將研究過程分解為這些專門的角色,該系統能夠提供更一致和高質量的研究結果。主管確保研究符合整體目標,經理提供質量控制,研究人員專注於任務的執行。

這種多智能體方法代表了我們思考AGI(人工通用智能)的一種範式轉變。與其單一的全能AI,系統由多個專門的智能體組成,他們協作實現共同目標。這種模塊化和可擴展的設計允許引入其他智能體,如「研究主管」或「數據分析師」,以進一步增強系統的功能。

AI研究員系統的發展展示了AI能力的快速進步,特別是在多智能體協作和以任務為導向的推理方面。這個系統的關鍵亮點包括:

1. 模塊化智能體架構: 該系統採用多智能體方法構建,具有專門的智能體(主管、研究經理和研究人員)協作完成研究任務。這種模塊化設計提供了靈活性和可擴展性。

2. 自動化研究工作流: 該系統自動化了研究過程,從分解研究目標、委派任務、進行網絡搜索和總結結果,到在Airtable資料庫中更新最終結果。

3. 質量保證: 研究經理智能體擔任質量控制機制,提供反饋並推動研究人員智能體找到更全面的信息,以確保高質量的研究輸出。

4. 利用外部工具: 該系統整合了各種外部服務,如Google搜索、網頁抓取和Airtable,以收集和組織研究數據,展示了利用多樣化工具的能力。

5. 持續改進: 作者強調了迭代開發過程,每個版本的AI研究員系統都引入了新的功能,並解決了之前的局限性,如質量不一致和記憶管理。

6. 可及性和可擴展性: 使用Gradio進行模型微調和Autogen進行多智能體協調的平台,有助於降低開發者構建和部署此類系統的技術障礙。

總的來說,這個AI研究員系統代表了自主、以任務為導向的AI智能體發展的重大一步,這些智能體可以協作解決複雜的研究任務。模塊化和可擴展的設計,結合外部工具和服務的整合,展示了這種系統在各種領域(從銷售和風險投資到任何需要全面可靠研究的領域)的潛在應用。