GOAT.AI - Task to AI Agents
Апп доторх худалдан авалт
1 мянга+
Таталтууд
Бүх насныханд
info
Энэ аппын тухай
Агент даалгаврын зорилгод чиглэсэн зохион байгуулалт. Үндсэндээ AI агентууд таны даалгаврыг биелүүлэхийн тулд бие биетэйгээ харилцах болно.
Жишээ нь: "Ирэх сарын 20 км хагас марафон гүйлтийн хамгийн тохиромжтой өдрийг сонго". AI хамтран ажиллаж эхэлнэ: Цаг уурын агент нь урьдчилсан мэдээг авч, вэб хайлтын агент нь ажиллах оновчтой нөхцлийг тодорхойлж, Вольфрам агент "хамгийн сайн өдөр"-ийг тооцоолдог. Энэ бол нарийн төвөгтэй даалгавруудыг боловсронгуй болгож хялбаршуулсан хиймэл оюун ухааныг холбох урлаг юм.
Автономит агентуудын гол сүлжээ болох LLM нь сонирхолтой ойлголт юм. AutoGPT, GPT-Engineer, BabyAGI зэрэг жагсаалууд нь энэ санааны энгийн дүрслэл болдог. LLM-ийн боломж нь сайн бичсэн хуулбар, өгүүллэг, эссэ, хөтөлбөрийг бий болгох, дуусгахаас илүү өргөн хүрээтэй; Тэдгээрийг хүчирхэг Ерөнхий даалгавар шийдвэрлэгч гэж нэрлэж болох бөгөөд энэ нь Агентын ажлын хэсэг (GOAT.AI)-ийн зорилгод чиглэсэн зохион байгуулалтыг бий болгоход хүрэхийг зорьж буй зүйл юм.
LLM агентын ажлын хэсгийн тогтолцоог зорилгод чиглэсэн зохион байгуулалтад оруулж, зөв ажиллуулахын тулд системийн гурван үндсэн үндсэн бүрэлдэхүүн хэсэг нь зөв ажиллах ёстой.
- Тойм
1) Төлөвлөлт
- Дэд зорилго ба задрал: Агент нь том ажлуудыг жижиг, удирдах боломжтой дэд зорилго болгон хувааж, нарийн төвөгтэй даалгавруудыг үр дүнтэй шийдвэрлэхэд хялбар болгодог.
- Тусгал ба боловсронгуй болгох: Төлөөлөгч нь өнгөрсөн үйлдлээ шүүмжилж, эргэцүүлэн бодож, алдаанаасаа суралцаж, цаашдын алхмуудад хандах хандлагыг сайжруулж, улмаар үр дүнгийн ерөнхий чанарыг сайжруулдаг.
2) Санах ой
- Богино хугацааны ой санамж: Энэ нь загвар хариулахаасаа өмнө чанарын хувьд ямар нэгэн өөрчлөлтгүйгээр боловсруулах боломжтой текстийн хэмжээг хэлнэ. Одоогийн байдлаар LLM нь ойролцоогоор 128 мянган жетонд чанарын хувьд ямар ч бууралтгүйгээр хариулт өгөх боломжтой.
- Урт хугацааны санах ой: Энэ нь агентийг контекстийн хязгааргүй хэмжээний мэдээллийг удаан хугацаанд хадгалах, эргүүлэн татах боломжийг олгодог. Энэ нь ихэвчлэн үр ашигтай RAG системд зориулсан гадаад вектор дэлгүүрийг ашиглах замаар хийгддэг.
3) Үйлдлийн орон зай
- Агент загвар жинд байхгүй нэмэлт мэдээллийг авахын тулд гадаад API-г дуудах чадварыг олж авдаг (урьдчилсан сургалтын дараа өөрчлөхөд ихэвчлэн хэцүү байдаг). Үүнд одоогийн мэдээлэлд хандах, кодыг гүйцэтгэх, өмчийн мэдээллийн эх сурвалжид хандах, хамгийн чухал нь мэдээлэл авахын тулд бусад агентуудыг дуудах зэрэг орно.
- Үйлдлийн орон зай нь ямар нэг зүйлийг олж авахад чиглээгүй, харин тодорхой үйлдлүүдийг хийж, үр дүнд нь хүрэх үйлдлүүдийг багтаадаг. Ийм үйлдлүүдийн жишээнд имэйл илгээх, програм ажиллуулах, урд хаалгыг нээх гэх мэт орно. Эдгээр үйлдлүүд нь ихэвчлэн янз бүрийн API-уудаар хийгддэг. Нэмж дурдахад агентууд хандах боломжтой арга хэмжээ авахын тулд бусад агентуудыг дуудаж болно гэдгийг анхаарах нь чухал юм.
Жишээ нь: "Ирэх сарын 20 км хагас марафон гүйлтийн хамгийн тохиромжтой өдрийг сонго". AI хамтран ажиллаж эхэлнэ: Цаг уурын агент нь урьдчилсан мэдээг авч, вэб хайлтын агент нь ажиллах оновчтой нөхцлийг тодорхойлж, Вольфрам агент "хамгийн сайн өдөр"-ийг тооцоолдог. Энэ бол нарийн төвөгтэй даалгавруудыг боловсронгуй болгож хялбаршуулсан хиймэл оюун ухааныг холбох урлаг юм.
Автономит агентуудын гол сүлжээ болох LLM нь сонирхолтой ойлголт юм. AutoGPT, GPT-Engineer, BabyAGI зэрэг жагсаалууд нь энэ санааны энгийн дүрслэл болдог. LLM-ийн боломж нь сайн бичсэн хуулбар, өгүүллэг, эссэ, хөтөлбөрийг бий болгох, дуусгахаас илүү өргөн хүрээтэй; Тэдгээрийг хүчирхэг Ерөнхий даалгавар шийдвэрлэгч гэж нэрлэж болох бөгөөд энэ нь Агентын ажлын хэсэг (GOAT.AI)-ийн зорилгод чиглэсэн зохион байгуулалтыг бий болгоход хүрэхийг зорьж буй зүйл юм.
LLM агентын ажлын хэсгийн тогтолцоог зорилгод чиглэсэн зохион байгуулалтад оруулж, зөв ажиллуулахын тулд системийн гурван үндсэн үндсэн бүрэлдэхүүн хэсэг нь зөв ажиллах ёстой.
- Тойм
1) Төлөвлөлт
- Дэд зорилго ба задрал: Агент нь том ажлуудыг жижиг, удирдах боломжтой дэд зорилго болгон хувааж, нарийн төвөгтэй даалгавруудыг үр дүнтэй шийдвэрлэхэд хялбар болгодог.
- Тусгал ба боловсронгуй болгох: Төлөөлөгч нь өнгөрсөн үйлдлээ шүүмжилж, эргэцүүлэн бодож, алдаанаасаа суралцаж, цаашдын алхмуудад хандах хандлагыг сайжруулж, улмаар үр дүнгийн ерөнхий чанарыг сайжруулдаг.
2) Санах ой
- Богино хугацааны ой санамж: Энэ нь загвар хариулахаасаа өмнө чанарын хувьд ямар нэгэн өөрчлөлтгүйгээр боловсруулах боломжтой текстийн хэмжээг хэлнэ. Одоогийн байдлаар LLM нь ойролцоогоор 128 мянган жетонд чанарын хувьд ямар ч бууралтгүйгээр хариулт өгөх боломжтой.
- Урт хугацааны санах ой: Энэ нь агентийг контекстийн хязгааргүй хэмжээний мэдээллийг удаан хугацаанд хадгалах, эргүүлэн татах боломжийг олгодог. Энэ нь ихэвчлэн үр ашигтай RAG системд зориулсан гадаад вектор дэлгүүрийг ашиглах замаар хийгддэг.
3) Үйлдлийн орон зай
- Агент загвар жинд байхгүй нэмэлт мэдээллийг авахын тулд гадаад API-г дуудах чадварыг олж авдаг (урьдчилсан сургалтын дараа өөрчлөхөд ихэвчлэн хэцүү байдаг). Үүнд одоогийн мэдээлэлд хандах, кодыг гүйцэтгэх, өмчийн мэдээллийн эх сурвалжид хандах, хамгийн чухал нь мэдээлэл авахын тулд бусад агентуудыг дуудах зэрэг орно.
- Үйлдлийн орон зай нь ямар нэг зүйлийг олж авахад чиглээгүй, харин тодорхой үйлдлүүдийг хийж, үр дүнд нь хүрэх үйлдлүүдийг багтаадаг. Ийм үйлдлүүдийн жишээнд имэйл илгээх, програм ажиллуулах, урд хаалгыг нээх гэх мэт орно. Эдгээр үйлдлүүд нь ихэвчлэн янз бүрийн API-уудаар хийгддэг. Нэмж дурдахад агентууд хандах боломжтой арга хэмжээ авахын тулд бусад агентуудыг дуудаж болно гэдгийг анхаарах нь чухал юм.
Шинэчилсэн огноо
Аюулгүй байдал нь хөгжүүлэгчид таны өгөгдлийг хэрхэн цуглуулж, хуваалцдаг болохыг ойлгохоос эхэлнэ. Өгөгдлийн нууцлал болон аюулгүй байдлын практик нь таны хэрэглээ, бүс нутаг болон наснаас хамаарч харилцан адилгүй байж болно. Хөгжүүлэгч энэ мэдээллийг өгсөн бөгөөд үүнийг цаг хугацааны явцад шинэчилж болно.
Шинэ юм юу байна
Minor improvements to AI models
