Multi-Agent-Task02: Agent & Multi-Agent
输入“/”快速插入
Multi-Agent-Task02: Agent & Multi-Agent
飞书用户68502月27日创建
Agent
What's Agent？
Agent = a large language model setup to run iteratively with some goals / tasks defined. This is different than how large language models (LLM’s) are “normally” used in tools like ChatGPT where you ask a question and get a single response as the answer. Agents have complex workflows where the model essentially talks to itself without a human forcing every part of the interaction
其实简单来说，Agent 就是将 LLM 作为核心，加入可调用的一些工具（如 Python），调整 LLM 的工作流程，让 LLM 生成“该怎么做”，把这个行为交给具体的工具，而不是让 LLM 亲自做。
具体可见书生·浦语大模型实战营-第二节中的 Lagent 部分
LLM 和 Agent 的区别在于，LLM 接受单一查询的输入并返回输出，一次 query 只能完成一个任务；而 Agent 可以自驱地定义工作流程，用多个子任务解决任务。
例如 Agent 的一次工作流程：
User -> Agent: “NYC的温度是多少？”
Agent 中的 LLM 构建查询指令 -> API
API -> Agnet: “NYC不是一个有效的地点，请使用详细的城市名称，不要使用缩写”
Agent 中的 LLM 根据 API 的报错再次构建查询指令 -> API
API -> Agnet: “39 °F”
Agnet 中的 LLM 构建回复: “NYC的温度是 39 °F” -> User
也就是说，在 LLM 驱动的自主 Agent 系统中，LLM 充当Agents的大脑，并辅以几个关键组成部分：
•
规划
◦
子目标和分解（divide and conquer，分治法）：Agent 将大型任务分解为更小的、可管理的子目标，从而能够有效处理复杂的任务。
◦
反思和完善（debug）：Agent 可以对过去的行为进行自我批评和自我反思，从错误中吸取教训，并针对未来的步骤进行完善，从而提高最终结果的质量。
•
记忆
◦
◦
长期记忆（RAG）：这为Agents提供了长时间保留和回忆（无限）信息的能力，通常是通过利用外部向量存储和快速检索来实现。
•
工具使用
◦
Agent 学习调用外部 API 来获取模型权重中缺失的额外信息（通常在预训练后很难更改），包括当前信息、代码执行能力、对专有信息源的访问等。
Overview of a LLM-powered autonomous agent system
Agent Instance
BabyAGI
BabyAGI 是一个 LLM 驱动的 Agent 实例，用于任务管理。其 LLM 部分为 OpenAI API，工作原理如下。