GOAT.AI - Task to AI Agents
Kjøp i appen
1k+
Nedlastinger
Alle
info
Om denne appen
Målrettet orkestrering av agentoppgaver. I utgangspunktet vil AI-agenter kommunisere med hverandre for å utføre oppgaven din.
Eksempel: "velg den beste dagen neste måned for et 20 km semi-maraton". AI vil begynne å samarbeide: Weather-agenten henter prognoser, nettsøkeagenten identifiserer optimale kjøreforhold, og Wolfram-agenten beregner den "beste dagen." Det er kunsten å koble AI, som forenkler komplekse oppgaver med raffinement.
LLM-er som den sentrale hovedramme for autonome agenter er et spennende konsept. Demonstrasjoner som AutoGPT, GPT-Engineer og BabyAGI fungerer som enkle illustrasjoner av denne ideen. Potensialet til LLM-er strekker seg utover å generere eller fullføre velskrevne kopier, historier, essays og programmer; de kan innrammes som kraftige General Task Solvers, og det er det vi har som mål å oppnå med å bygge den målorienterte orkestreringen av Agent Taskforce (GOAT.AI)
For at en målrettet orkestrering av et LLM-agenttask force-system skal eksistere og fungere ordentlig, må tre hovedkjernekomponenter i systemet fungere ordentlig
- Oversikt
1) Planlegging
- Delmål og dekomponering: Agenten bryter ned store oppgaver i mindre, håndterbare delmål, noe som gjør det enklere å håndtere komplekse oppdrag effektivt.
- Refleksjon og foredling: Agenten engasjerer seg i selvkritikk og selvrefleksjon over tidligere handlinger, lærer av feil og forbedrer tilnærminger for fremtidige skritt, og forbedrer derved den generelle kvaliteten på resultatene.
2) Minne
- Korttidsminne: Det refererer til mengden tekst modellen kan behandle før den svarer uten forringelse av kvaliteten. I den nåværende tilstanden kan LLM-ene gi svar uten reduksjon i kvalitet for omtrent 128 000 tokens.
- Langtidsminne: Dette gjør at agenten kan lagre og hente frem en ubegrenset mengde informasjon for konteksten over lange perioder. Det oppnås ofte ved å bruke et eksternt vektorlager for effektive RAG-systemer.
3) Action Space
- Agenten får muligheten til å kalle eksterne APIer for å få tilleggsinformasjon som ikke er tilgjengelig i modellvektene (som ofte er vanskelige å modifisere etter forhåndsopplæring). Dette inkluderer tilgang til gjeldende informasjon, utføring av kode, tilgang til proprietære informasjonskilder, og viktigst av alt: å påkalle andre agenter for informasjonshenting.
– Handlingsrommet omfatter også handlinger som ikke er rettet mot å hente frem noe, men heller innebærer å utføre spesifikke handlinger og oppnå det resulterende resultatet. Eksempler på slike handlinger inkluderer å sende e-poster, starte apper, åpne inngangsdører og mer. Disse handlingene utføres vanligvis gjennom ulike APIer. I tillegg er det viktig å merke seg at agenter også kan påkalle andre agenter for handlingsbare hendelser som de har tilgang til.
Eksempel: "velg den beste dagen neste måned for et 20 km semi-maraton". AI vil begynne å samarbeide: Weather-agenten henter prognoser, nettsøkeagenten identifiserer optimale kjøreforhold, og Wolfram-agenten beregner den "beste dagen." Det er kunsten å koble AI, som forenkler komplekse oppgaver med raffinement.
LLM-er som den sentrale hovedramme for autonome agenter er et spennende konsept. Demonstrasjoner som AutoGPT, GPT-Engineer og BabyAGI fungerer som enkle illustrasjoner av denne ideen. Potensialet til LLM-er strekker seg utover å generere eller fullføre velskrevne kopier, historier, essays og programmer; de kan innrammes som kraftige General Task Solvers, og det er det vi har som mål å oppnå med å bygge den målorienterte orkestreringen av Agent Taskforce (GOAT.AI)
For at en målrettet orkestrering av et LLM-agenttask force-system skal eksistere og fungere ordentlig, må tre hovedkjernekomponenter i systemet fungere ordentlig
- Oversikt
1) Planlegging
- Delmål og dekomponering: Agenten bryter ned store oppgaver i mindre, håndterbare delmål, noe som gjør det enklere å håndtere komplekse oppdrag effektivt.
- Refleksjon og foredling: Agenten engasjerer seg i selvkritikk og selvrefleksjon over tidligere handlinger, lærer av feil og forbedrer tilnærminger for fremtidige skritt, og forbedrer derved den generelle kvaliteten på resultatene.
2) Minne
- Korttidsminne: Det refererer til mengden tekst modellen kan behandle før den svarer uten forringelse av kvaliteten. I den nåværende tilstanden kan LLM-ene gi svar uten reduksjon i kvalitet for omtrent 128 000 tokens.
- Langtidsminne: Dette gjør at agenten kan lagre og hente frem en ubegrenset mengde informasjon for konteksten over lange perioder. Det oppnås ofte ved å bruke et eksternt vektorlager for effektive RAG-systemer.
3) Action Space
- Agenten får muligheten til å kalle eksterne APIer for å få tilleggsinformasjon som ikke er tilgjengelig i modellvektene (som ofte er vanskelige å modifisere etter forhåndsopplæring). Dette inkluderer tilgang til gjeldende informasjon, utføring av kode, tilgang til proprietære informasjonskilder, og viktigst av alt: å påkalle andre agenter for informasjonshenting.
– Handlingsrommet omfatter også handlinger som ikke er rettet mot å hente frem noe, men heller innebærer å utføre spesifikke handlinger og oppnå det resulterende resultatet. Eksempler på slike handlinger inkluderer å sende e-poster, starte apper, åpne inngangsdører og mer. Disse handlingene utføres vanligvis gjennom ulike APIer. I tillegg er det viktig å merke seg at agenter også kan påkalle andre agenter for handlingsbare hendelser som de har tilgang til.
Oppdatert
Sikkerhet starter med en forståelse av hvordan utviklere samler inn og deler dataene dine. Fremgangsmåtene for personvern og datasikkerhet kan variere basert på bruk, region og alder. Utvikleren har oppgitt denne informasjonen og kan oppdatere den over tid.
Nyheter
Minor improvements to AI models
