GOAT.AI - Task to AI Agents
Innkaup í forriti
1 þ.+
Niðurhal
Ekkert aldurstakmark
info
Um þetta forrit
Markmiðsmiðuð skipulagning á verkefnum umboðsmanna. Í grundvallaratriðum munu AI umboðsmenn hafa samskipti sín á milli til að framkvæma verkefni þitt.
Dæmi: "Veldu besta daginn í næsta mánuði fyrir 20 km hálfmaraþon". Gervigreind mun hefja samstarf: Veðurfulltrúinn sækir spár, vefleitaraðilinn greinir ákjósanleg hlaupaskilyrði og Wolfram umboðsmaðurinn reiknar út „besta daginn“. Það er list tengd gervigreind, sem einfaldar flókin verkefni með fágun.
LLMs sem aðalkerfi fyrir sjálfstæða umboðsmenn er forvitnilegt hugtak. Sýningar eins og AutoGPT, GPT-Engineer og BabyAGI þjóna sem einfaldar myndir af þessari hugmynd. Möguleiki LLMs nær út fyrir að búa til eða klára vel skrifuð eintök, sögur, ritgerðir og forrit; hægt er að setja þá í ramma sem öfluga almenna verkefnaleysa og það er það sem við stefnum að með því að byggja upp Goal Oriented Orchestration of Agent Taskforce (GOAT.AI)
Til þess að markmiðsmiðuð skipulagning á LLM umboðsmannaverkefniskerfi sé til og virki sem skyldi, verða þrír megin kjarnaþættir kerfisins að virka rétt
- Yfirlit
1) Skipulag
- Undirmarkmið og niðurbrot: Umboðsmaðurinn sundrar stórum verkefnum í smærri, viðráðanleg undirmarkmið, sem gerir það auðveldara að sinna flóknum verkefnum á skilvirkan hátt.
- Ígrundun og fágun: Umboðsmaðurinn tekur þátt í sjálfsgagnrýni og sjálfsígrundun á fyrri gjörðum, lærir af mistökum og bætir nálgun fyrir framtíðarskref og eykur þar með heildargæði niðurstaðna.
2) Minni
- Skammtímaminni: Það vísar til þess magns texta sem líkanið getur unnið áður en það svarar án þess að gæði rýrni. Í núverandi ástandi geta LLMs veitt svör án þess að minnka gæði fyrir um það bil 128 þúsund tákn.
- Langtímaminni: Þetta gerir umboðsmanni kleift að geyma og muna ótakmarkað magn upplýsinga fyrir samhengið yfir langan tíma. Það er oft náð með því að nota ytri vektorgeymslu fyrir skilvirk RAG kerfi.
3) Action Space
- Umboðsmaðurinn öðlast getu til að hringja í utanaðkomandi API til að fá viðbótarupplýsingar sem eru ekki tiltækar í líkanavigtum (sem oft er erfitt að breyta eftir forþjálfun). Þetta felur í sér aðgang að núverandi upplýsingum, keyrslu kóða, aðgang að sérupplýsingaheimildum og síðast en ekki síst: að kalla á aðra umboðsmenn til að sækja upplýsingar.
- Aðgerðarrýmið nær einnig yfir aðgerðir sem miða ekki að því að sækja eitthvað, heldur fela í sér að framkvæma sérstakar aðgerðir og fá niðurstöðuna sem af því leiðir. Dæmi um slíkar aðgerðir eru að senda tölvupóst, opna forrit, opna útidyr og fleira. Þessar aðgerðir eru venjulega gerðar með ýmsum API. Að auki er mikilvægt að hafa í huga að umboðsmenn geta einnig kallað til annarra umboðsmanna vegna atburða sem þeir hafa aðgang að.
Dæmi: "Veldu besta daginn í næsta mánuði fyrir 20 km hálfmaraþon". Gervigreind mun hefja samstarf: Veðurfulltrúinn sækir spár, vefleitaraðilinn greinir ákjósanleg hlaupaskilyrði og Wolfram umboðsmaðurinn reiknar út „besta daginn“. Það er list tengd gervigreind, sem einfaldar flókin verkefni með fágun.
LLMs sem aðalkerfi fyrir sjálfstæða umboðsmenn er forvitnilegt hugtak. Sýningar eins og AutoGPT, GPT-Engineer og BabyAGI þjóna sem einfaldar myndir af þessari hugmynd. Möguleiki LLMs nær út fyrir að búa til eða klára vel skrifuð eintök, sögur, ritgerðir og forrit; hægt er að setja þá í ramma sem öfluga almenna verkefnaleysa og það er það sem við stefnum að með því að byggja upp Goal Oriented Orchestration of Agent Taskforce (GOAT.AI)
Til þess að markmiðsmiðuð skipulagning á LLM umboðsmannaverkefniskerfi sé til og virki sem skyldi, verða þrír megin kjarnaþættir kerfisins að virka rétt
- Yfirlit
1) Skipulag
- Undirmarkmið og niðurbrot: Umboðsmaðurinn sundrar stórum verkefnum í smærri, viðráðanleg undirmarkmið, sem gerir það auðveldara að sinna flóknum verkefnum á skilvirkan hátt.
- Ígrundun og fágun: Umboðsmaðurinn tekur þátt í sjálfsgagnrýni og sjálfsígrundun á fyrri gjörðum, lærir af mistökum og bætir nálgun fyrir framtíðarskref og eykur þar með heildargæði niðurstaðna.
2) Minni
- Skammtímaminni: Það vísar til þess magns texta sem líkanið getur unnið áður en það svarar án þess að gæði rýrni. Í núverandi ástandi geta LLMs veitt svör án þess að minnka gæði fyrir um það bil 128 þúsund tákn.
- Langtímaminni: Þetta gerir umboðsmanni kleift að geyma og muna ótakmarkað magn upplýsinga fyrir samhengið yfir langan tíma. Það er oft náð með því að nota ytri vektorgeymslu fyrir skilvirk RAG kerfi.
3) Action Space
- Umboðsmaðurinn öðlast getu til að hringja í utanaðkomandi API til að fá viðbótarupplýsingar sem eru ekki tiltækar í líkanavigtum (sem oft er erfitt að breyta eftir forþjálfun). Þetta felur í sér aðgang að núverandi upplýsingum, keyrslu kóða, aðgang að sérupplýsingaheimildum og síðast en ekki síst: að kalla á aðra umboðsmenn til að sækja upplýsingar.
- Aðgerðarrýmið nær einnig yfir aðgerðir sem miða ekki að því að sækja eitthvað, heldur fela í sér að framkvæma sérstakar aðgerðir og fá niðurstöðuna sem af því leiðir. Dæmi um slíkar aðgerðir eru að senda tölvupóst, opna forrit, opna útidyr og fleira. Þessar aðgerðir eru venjulega gerðar með ýmsum API. Að auki er mikilvægt að hafa í huga að umboðsmenn geta einnig kallað til annarra umboðsmanna vegna atburða sem þeir hafa aðgang að.
Uppfært
Öryggi hefst með skilningi á því hvernig þróunaraðilar safna og deila gögnunum þínum. Persónuvernd gagna og öryggisráðstafanir geta verið breytilegar miðað við notkun, svæði og aldur notandans. Þetta eru upplýsingar frá þróunaraðilanum og viðkomandi kann að uppfæra þær með tímanum.
Nýjungar
Minor improvements to AI models
