type
status
date
slug
summary
tags
category
icon
password
URL
Rating
本系列介绍由 LLM 驱动的 AI Agents 的相关技术和工具：
- 基于大语言模型的AI Agents—Part 1：介绍 AI Agent 的一般框架，背景知识和斯坦福的虚拟小镇论文。
- 基于大语言模型的AI Agents—Part 2（本文）：介绍3个热门的 Agent 框架：AutoGPT、GPT-Engineer 和 MetaGPT。
- 基于大语言模型的AI Agents—Part 3：介绍另外几个热门的 Agent 框架：agents、AutoAgents 和 ChatDev（通过agents之间的多轮交互完成任务）。
本次分享的视频链接见文章末尾。
AI Agent 回顾
代理（Agent）指能自主感知环境并采取行动实现目标的智能体。基于大语言模型（LLM）的 AI Agent 利用 LLM 进行记忆检索、决策推理和行动顺序选择等，把Agent的智能程度提升到了新的高度。LLM驱动的Agent具体是怎么做的呢？接下来的系列分享会介绍 AI Agent 当前最新的技术进展。
一个精简的Agent决策流程：
Agent：P（感知）→ P（规划）→ A（行动）
感知（Perception）是指Agent从环境中收集信息并从中提取相关知识的能力。
规划（Planning）是指Agent为了某一目标而作出的决策过程。
行动（Action）是指基于环境和规划做出的动作。
其中，Policy是Agent做出Action的核心决策，而行动又通过观察（Observation）成为进一步Perception的前提和基础，形成自主地闭环学习过程。
接下来介绍3个热门的Agent框架：AutoGPT、GPT-Engineer 和 MetaGPT。
<ins/>
AutoGPT
AutoGPT 定位类似个人助理，帮助用户完成指定的任务，如调研某个课题。AutoGPT比较强调对外部工具的使用，如搜索引擎、页面浏览等。
以下是 AutoGPT 使用的 system prompt，其中
{{...}} 为用户输入:官方视频：
GPT-Engineer
GPT-Engineer 旨在根据自然语言中指定的任务创建一个完整的代码仓库。GPT-Engineer 被指导去构建的一系列较小的组件，并在需要时要求用户输入以澄清问题。
以下是GPT-Engineer的一个任务澄清的样例对话。用户的输入在
{{user input text}}中。在澄清之后，Agent 进入了代码编写模式。看官方视频，所有文件的内容是一次性生成的。System message:
对话样例:
官方视频：
MetaGPT
MetaGPT 现在可以生成2000行左右代码的项目，未来目标是万行甚至更长。
结构
- Roles
- Actions
- Environment
- Memory
- Tools
- LLM Providers
Multi-Agents 软件公司
创建公司和雇员：
实现时，循环依次调用各个角色的
.run() 函数。记忆（Memory）
Message：
记忆中记录的原始单元，主要记录动作执行后产生的结果。相当于斯坦福Generative Agents中的Observation：
Memory：
Long-Term Memory：
每个角色执行动作后，就会产生新的记忆Message。
Environment
角色（Roles）
角色
Role 定义：每个角色的
.run() 中的流程：
当某个角色有多个可选动作时（
len(self._actions)>1），使用以下的prompt让LLM来选择该执行哪个动作，其中 {history} 包含前面所有动作的输出结果，{states} 就是可选的动作列表：ProductManager
Action WritePRD 使用的 prompt 模板：
Action WritePRD 的一个真实 prompt：
对应的真实输出：
Architect
Action WriteDesign 使用的 prompt 模板：
Action WriteDesign 的一个真实 prompt：
对应的真实输出：
ProjectManager
Action WriteTasks 使用的 prompt 模板：
Action WriteTasks 的一个真实 prompt：
对应的真实输出：
Engineer
Action WriteCode 使用的 prompt 模板：
和之前的一般实现不同，Engineer 有很多单独的代码，做了很多独特的事。Engineer 每次调用 WriteCode 只生成一个文件的代码，按文件列表的顺序逐个生成所有文件的代码。之前的 context 只使用了角色 watch 的动作的结果，而Engineer传入 WriteCode 的 context 包含前面所有动作的输出结果，以及当前已生成的代码文件。所以这里的 context 特别长，如：
以下是输出的 ocr.py 文件：
总结
ㅤ | AutoGPT | GPT-Engineer | Generative Agents | MetaGPT |
场景 | 个人小助理 | 职业/项目场景 | 生活场景 | 职业/项目场景 |
Agents数量 | 单 | 单 | 多 | 多 |
环境（Environment） | - | - | 其他Agents + 外部世界 | 其他Agents |
与用户交互量 | 无 | 少 | 少 | 无 |
记忆（Memory） | 短期 | 短期 | 短期 + 长期 | 短期为主 |
Agents的动作执行顺序 | - | - | 并行 | 串行 |
动作空间 | 小 | - | 大 | 小 |
输入和输出格式 | 偏结构化 | 偏结构化 | 偏自然语言 | 偏结构化 |
动作轮次 | 少 | - | 多 | 少 |
对反思与规划的要求 | 高 | 低 | 高 | 低；goal 和 plan 基本都事先定好 |
Agents之间如何交互 | - | - | 对话 | 获取其他agent执行动作所产生的结果 |
<ins/>
分享视频
References
- 作者:Breezedeus
- 链接:https://www.breezedeus.com/article/ai-agent-part2
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议，转载请注明出处。
相关文章