GOAT.AI - Task to AI Agents
Nákupy v aplikácii
1 tis.+
Stiahnuté
Pre všetkých
info
Informácie o aplikácii
Cieľovo orientovaná orchestrácia úloh agentov. Agenti AI budú v podstate navzájom komunikovať, aby vykonali vašu úlohu.
Príklad: „vyberte si najlepší deň budúceho mesiaca na 20 km dlhý polmaratón“. Umelá inteligencia začne spolupracovať: agent počasia získa predpovede, webový vyhľadávací agent identifikuje optimálne prevádzkové podmienky a agent Wolfram vypočíta „najlepší deň“. Je to umenie prepojenej AI, ktoré sofistikovane zjednodušuje zložité úlohy.
LLM ako centrálny mainframe pre autonómnych agentov je zaujímavý koncept. Ukážky ako AutoGPT, GPT-Engineer a BabyAGI slúžia ako jednoduché ilustrácie tejto myšlienky. Potenciál LLM presahuje vytváranie alebo dokončovanie dobre napísaných kópií, príbehov, esejí a programov; môžu byť zarámované ako výkonní všeobecní riešitelia úloh a to je to, čo sa snažíme dosiahnuť pri budovaní cieľovo orientovanej orchestácie agentov (GOAT.AI)
Aby cielene orientovaná orchestrácia systému úloh agentov LLM existovala a správne fungovala, musia správne fungovať tri hlavné komponenty systému.
- Prehľad
1) Plánovanie
- Podcieľ a dekompozícia: Agent rozdeľuje veľké úlohy na menšie, zvládnuteľné podciele, čo uľahčuje efektívne zvládnutie zložitých úloh.
- Reflexia a zdokonaľovanie: Agent sa zapája do sebakritiky a sebareflexie minulých činov, učí sa z chýb a zlepšuje prístupy k budúcim krokom, čím zvyšuje celkovú kvalitu výsledkov.
2) Pamäť
- Krátkodobá pamäť: Vzťahuje sa na množstvo textu, ktoré môže model spracovať pred odpoveďou bez akéhokoľvek zníženia kvality. V súčasnom stave môžu LLM poskytovať odpovede bez zníženia kvality za približne 128 000 tokenov.
- Dlhodobá pamäť: Umožňuje agentovi ukladať a vyvolávať neobmedzené množstvo informácií pre daný kontext počas dlhých období. Často sa to dosahuje použitím externého vektorového úložiska pre efektívne systémy RAG.
3) Akčný priestor
- Agent získava schopnosť volať externé API, aby získal ďalšie informácie, ktoré nie sú dostupné v modelových váhach (ktoré sa často ťažko upravujú po predtrénovaní). To zahŕňa prístup k aktuálnym informáciám, spustenie kódu, prístup k proprietárnym zdrojom informácií a čo je najdôležitejšie: privolanie iných agentov na získanie informácií.
- Akčný priestor tiež zahŕňa akcie, ktoré nie sú zamerané na získanie niečoho, ale zahŕňajú vykonávanie konkrétnych akcií a dosiahnutie výsledného výsledku. Príklady takýchto akcií zahŕňajú odosielanie e-mailov, spúšťanie aplikácií, otváranie vchodových dverí a ďalšie. Tieto akcie sa zvyčajne vykonávajú prostredníctvom rôznych rozhraní API. Okrem toho je dôležité poznamenať, že agenti môžu tiež vyvolať iných agentov pre akcie, ku ktorým majú prístup.
Príklad: „vyberte si najlepší deň budúceho mesiaca na 20 km dlhý polmaratón“. Umelá inteligencia začne spolupracovať: agent počasia získa predpovede, webový vyhľadávací agent identifikuje optimálne prevádzkové podmienky a agent Wolfram vypočíta „najlepší deň“. Je to umenie prepojenej AI, ktoré sofistikovane zjednodušuje zložité úlohy.
LLM ako centrálny mainframe pre autonómnych agentov je zaujímavý koncept. Ukážky ako AutoGPT, GPT-Engineer a BabyAGI slúžia ako jednoduché ilustrácie tejto myšlienky. Potenciál LLM presahuje vytváranie alebo dokončovanie dobre napísaných kópií, príbehov, esejí a programov; môžu byť zarámované ako výkonní všeobecní riešitelia úloh a to je to, čo sa snažíme dosiahnuť pri budovaní cieľovo orientovanej orchestácie agentov (GOAT.AI)
Aby cielene orientovaná orchestrácia systému úloh agentov LLM existovala a správne fungovala, musia správne fungovať tri hlavné komponenty systému.
- Prehľad
1) Plánovanie
- Podcieľ a dekompozícia: Agent rozdeľuje veľké úlohy na menšie, zvládnuteľné podciele, čo uľahčuje efektívne zvládnutie zložitých úloh.
- Reflexia a zdokonaľovanie: Agent sa zapája do sebakritiky a sebareflexie minulých činov, učí sa z chýb a zlepšuje prístupy k budúcim krokom, čím zvyšuje celkovú kvalitu výsledkov.
2) Pamäť
- Krátkodobá pamäť: Vzťahuje sa na množstvo textu, ktoré môže model spracovať pred odpoveďou bez akéhokoľvek zníženia kvality. V súčasnom stave môžu LLM poskytovať odpovede bez zníženia kvality za približne 128 000 tokenov.
- Dlhodobá pamäť: Umožňuje agentovi ukladať a vyvolávať neobmedzené množstvo informácií pre daný kontext počas dlhých období. Často sa to dosahuje použitím externého vektorového úložiska pre efektívne systémy RAG.
3) Akčný priestor
- Agent získava schopnosť volať externé API, aby získal ďalšie informácie, ktoré nie sú dostupné v modelových váhach (ktoré sa často ťažko upravujú po predtrénovaní). To zahŕňa prístup k aktuálnym informáciám, spustenie kódu, prístup k proprietárnym zdrojom informácií a čo je najdôležitejšie: privolanie iných agentov na získanie informácií.
- Akčný priestor tiež zahŕňa akcie, ktoré nie sú zamerané na získanie niečoho, ale zahŕňajú vykonávanie konkrétnych akcií a dosiahnutie výsledného výsledku. Príklady takýchto akcií zahŕňajú odosielanie e-mailov, spúšťanie aplikácií, otváranie vchodových dverí a ďalšie. Tieto akcie sa zvyčajne vykonávajú prostredníctvom rôznych rozhraní API. Okrem toho je dôležité poznamenať, že agenti môžu tiež vyvolať iných agentov pre akcie, ku ktorým majú prístup.
Aktualizované
Bezpečnosť sa začína porozumením tomu, ako vývojári zhromažďujú a zdieľajú vaše údaje. Postupy ochrany a zabezpečenia osobných údajov sa môžu líšiť v závislosti od používania, regiónu a veku. Tieto informácie poskytol vývojár a môže ich časom aktualizovať.
Novinky
Minor improvements to AI models
