GOAT.AI - Task to AI Agents
इन-एप खरिदहरू
१ हजार+
डाउनलोड गरिएका सामग्रीहरू
सबैजना
info
यो एपका बारेमा
एजेन्ट कार्यहरूको लक्ष्य-उन्मुख अर्केस्ट्रेशन। सामान्यतया, एआई एजेन्टहरूले तपाइँको कार्य कार्यान्वयन गर्न एक अर्कालाई सञ्चार गर्नेछन्।
उदाहरण: "20km अर्ध-म्याराथनको लागि अर्को महिनाको उत्कृष्ट दिन छान्नुहोस्"। AI ले सहकार्य सुरु गर्नेछ: मौसम एजेन्टले पूर्वानुमानहरू पुन: प्राप्त गर्दछ, वेब खोज एजेन्टले इष्टतम चलिरहेको अवस्था पहिचान गर्दछ, र Wolfram एजेन्टले "उत्तम दिन" गणना गर्दछ। यो जोडिएको AI को कला हो, जटिल कार्यहरूलाई परिष्कृतताका साथ सरल बनाउने।
स्वायत्त एजेन्टहरूको लागि केन्द्रीय मुख्य फ्रेमको रूपमा LLMs एक चाखलाग्दो अवधारणा हो। AutoGPT, GPT-Engineer, र BabyAGI जस्ता प्रदर्शनहरूले यस विचारको सरल दृष्टान्तको रूपमा सेवा गर्दछ। LLM को सम्भाव्यता राम्रोसँग लिखित प्रतिलिपिहरू, कथाहरू, निबन्धहरू र कार्यक्रमहरू सिर्जना गर्न वा पूरा गर्नुभन्दा बाहिर फैलिएको छ; तिनीहरूलाई शक्तिशाली जनरल टास्क सोल्भर्सको रूपमा फ्रेम गर्न सकिन्छ, र एजेन्ट टास्कफोर्स (GOAT.AI) को लक्ष्य उन्मुख अर्केस्ट्रेशन निर्माणमा हामीले हासिल गर्ने लक्ष्य लिएका छौं।
LLM एजेन्ट टास्क फोर्स प्रणालीको लक्ष्य-उन्मुख अर्केस्ट्रेशनको लागि अवस्थित र राम्रोसँग कार्य गर्न, प्रणालीका तीन मुख्य मुख्य घटकहरूले ठीकसँग काम गर्नुपर्दछ।
- सिंहावलोकन
1) योजना
- सबगोल र विघटन: एजेन्टले ठूला कार्यहरूलाई साना, व्यवस्थित गर्न सकिने उप-लक्ष्यहरूमा विभाजन गर्दछ, यसले जटिल कार्यहरूलाई कुशलतापूर्वक ह्यान्डल गर्न सजिलो बनाउँछ।
- प्रतिबिम्ब र परिष्करण: एजेन्टले विगतका कार्यहरूमा आत्म-आलोचना र आत्म-प्रतिबिम्बमा संलग्न हुन्छ, गल्तीहरूबाट सिक्छ, र भविष्यका चरणहरूको लागि दृष्टिकोण सुधार गर्दछ, जसले गर्दा परिणामहरूको समग्र गुणस्तर बढाउँछ।
२) मेमोरी
- छोटो-अवधि मेमोरी: यसले गुणस्तरमा कुनै ह्रास बिना जवाफ दिन अघि मोडेलले प्रक्रिया गर्न सक्ने पाठको मात्रालाई जनाउँछ। हालको अवस्थामा, LLM ले लगभग 128k टोकनहरूको लागि गुणस्तरमा कुनै कमी बिना जवाफहरू प्रदान गर्न सक्छ।
- दीर्घकालीन मेमोरी: यसले एजेन्टलाई लामो अवधिमा सन्दर्भको लागि असीमित मात्रामा जानकारी भण्डारण गर्न र सम्झाउन सक्षम बनाउँछ। यो अक्सर कुशल RAG प्रणालीहरूको लागि बाह्य भेक्टर स्टोर प्रयोग गरेर प्राप्त गरिन्छ।
3) कार्य स्पेस
- एजेन्टले मोडेल वजनहरूमा उपलब्ध नभएको थप जानकारी प्राप्त गर्न बाह्य API कल गर्ने क्षमता प्राप्त गर्दछ (जसलाई पूर्व-प्रशिक्षण पछि परिमार्जन गर्न गाह्रो हुन्छ)। यसमा हालको जानकारी पहुँच, कोड कार्यान्वयन, स्वामित्व जानकारी स्रोतहरू पहुँच, र सबैभन्दा महत्त्वपूर्ण: जानकारी पुन: प्राप्तिको लागि अन्य एजेन्टहरू बोलाउने समावेश छ।
- कार्य स्पेसले कार्यहरू पनि समावेश गर्दछ जुन केहि पुन: प्राप्ति गर्ने उद्देश्यले होइन, तर विशेष कार्यहरू प्रदर्शन गर्न र नतिजा प्राप्त गर्न समावेश गर्दछ। त्यस्ता कार्यहरूका उदाहरणहरूमा इमेलहरू पठाउने, एपहरू सुरु गर्ने, अगाडिको ढोका खोल्ने र थप कुराहरू समावेश छन्। यी कार्यहरू सामान्यतया विभिन्न API मार्फत गरिन्छ। थप रूपमा, यो नोट गर्न महत्त्वपूर्ण छ कि एजेन्टहरूले अन्य एजेन्टहरूलाई पनि उनीहरूसँग पहुँच भएका कार्ययोग्य घटनाहरूको लागि बोलाउन सक्छन्।
उदाहरण: "20km अर्ध-म्याराथनको लागि अर्को महिनाको उत्कृष्ट दिन छान्नुहोस्"। AI ले सहकार्य सुरु गर्नेछ: मौसम एजेन्टले पूर्वानुमानहरू पुन: प्राप्त गर्दछ, वेब खोज एजेन्टले इष्टतम चलिरहेको अवस्था पहिचान गर्दछ, र Wolfram एजेन्टले "उत्तम दिन" गणना गर्दछ। यो जोडिएको AI को कला हो, जटिल कार्यहरूलाई परिष्कृतताका साथ सरल बनाउने।
स्वायत्त एजेन्टहरूको लागि केन्द्रीय मुख्य फ्रेमको रूपमा LLMs एक चाखलाग्दो अवधारणा हो। AutoGPT, GPT-Engineer, र BabyAGI जस्ता प्रदर्शनहरूले यस विचारको सरल दृष्टान्तको रूपमा सेवा गर्दछ। LLM को सम्भाव्यता राम्रोसँग लिखित प्रतिलिपिहरू, कथाहरू, निबन्धहरू र कार्यक्रमहरू सिर्जना गर्न वा पूरा गर्नुभन्दा बाहिर फैलिएको छ; तिनीहरूलाई शक्तिशाली जनरल टास्क सोल्भर्सको रूपमा फ्रेम गर्न सकिन्छ, र एजेन्ट टास्कफोर्स (GOAT.AI) को लक्ष्य उन्मुख अर्केस्ट्रेशन निर्माणमा हामीले हासिल गर्ने लक्ष्य लिएका छौं।
LLM एजेन्ट टास्क फोर्स प्रणालीको लक्ष्य-उन्मुख अर्केस्ट्रेशनको लागि अवस्थित र राम्रोसँग कार्य गर्न, प्रणालीका तीन मुख्य मुख्य घटकहरूले ठीकसँग काम गर्नुपर्दछ।
- सिंहावलोकन
1) योजना
- सबगोल र विघटन: एजेन्टले ठूला कार्यहरूलाई साना, व्यवस्थित गर्न सकिने उप-लक्ष्यहरूमा विभाजन गर्दछ, यसले जटिल कार्यहरूलाई कुशलतापूर्वक ह्यान्डल गर्न सजिलो बनाउँछ।
- प्रतिबिम्ब र परिष्करण: एजेन्टले विगतका कार्यहरूमा आत्म-आलोचना र आत्म-प्रतिबिम्बमा संलग्न हुन्छ, गल्तीहरूबाट सिक्छ, र भविष्यका चरणहरूको लागि दृष्टिकोण सुधार गर्दछ, जसले गर्दा परिणामहरूको समग्र गुणस्तर बढाउँछ।
२) मेमोरी
- छोटो-अवधि मेमोरी: यसले गुणस्तरमा कुनै ह्रास बिना जवाफ दिन अघि मोडेलले प्रक्रिया गर्न सक्ने पाठको मात्रालाई जनाउँछ। हालको अवस्थामा, LLM ले लगभग 128k टोकनहरूको लागि गुणस्तरमा कुनै कमी बिना जवाफहरू प्रदान गर्न सक्छ।
- दीर्घकालीन मेमोरी: यसले एजेन्टलाई लामो अवधिमा सन्दर्भको लागि असीमित मात्रामा जानकारी भण्डारण गर्न र सम्झाउन सक्षम बनाउँछ। यो अक्सर कुशल RAG प्रणालीहरूको लागि बाह्य भेक्टर स्टोर प्रयोग गरेर प्राप्त गरिन्छ।
3) कार्य स्पेस
- एजेन्टले मोडेल वजनहरूमा उपलब्ध नभएको थप जानकारी प्राप्त गर्न बाह्य API कल गर्ने क्षमता प्राप्त गर्दछ (जसलाई पूर्व-प्रशिक्षण पछि परिमार्जन गर्न गाह्रो हुन्छ)। यसमा हालको जानकारी पहुँच, कोड कार्यान्वयन, स्वामित्व जानकारी स्रोतहरू पहुँच, र सबैभन्दा महत्त्वपूर्ण: जानकारी पुन: प्राप्तिको लागि अन्य एजेन्टहरू बोलाउने समावेश छ।
- कार्य स्पेसले कार्यहरू पनि समावेश गर्दछ जुन केहि पुन: प्राप्ति गर्ने उद्देश्यले होइन, तर विशेष कार्यहरू प्रदर्शन गर्न र नतिजा प्राप्त गर्न समावेश गर्दछ। त्यस्ता कार्यहरूका उदाहरणहरूमा इमेलहरू पठाउने, एपहरू सुरु गर्ने, अगाडिको ढोका खोल्ने र थप कुराहरू समावेश छन्। यी कार्यहरू सामान्यतया विभिन्न API मार्फत गरिन्छ। थप रूपमा, यो नोट गर्न महत्त्वपूर्ण छ कि एजेन्टहरूले अन्य एजेन्टहरूलाई पनि उनीहरूसँग पहुँच भएका कार्ययोग्य घटनाहरूको लागि बोलाउन सक्छन्।
मा अपडेट गरिएको
तपाईंको डेटा सुरक्षित राख्नका निम्ति तपाईंले पहिला विकासकर्ताहरूले तपाईंको डेटा कसरी सङ्कलन तथा सेयर गर्छ भन्ने कुरा बुझ्न जरुरी छ। एपको प्रयोगसम्बन्धी जानकारी, तपाईं बसोबास गर्ने क्षेत्र र तपाईंको उमेरका आधारमा डेटाको गोपनीयता र सुरक्षासम्बन्धी अभ्यासहरू फरक हुन सक्छन्। यो एपका विकासकर्ताले यो जानकारी प्रदान गर्नुभएको हो र उहाँ समयक्रमसँगै यो जानकारी संशोधन गर्न सक्नुहुन्छ।
के नयाँ छ
Minor improvements to AI models
