GOAT.AI - Task to AI Agents
Куповине у апликац.
1 хиљ.+
Преузимања
Сви
info
О овој апликацији
Циљно оријентисана оркестрација задатака агената. У основи, АИ агенти ће комуницирати једни са другима како би извршили ваш задатак.
Пример: „изаберите најбољи дан следећег месеца за полумаратон од 20 км“. АИ ће почети да сарађује: агент за временску прогнозу преузима прогнозе, агент за веб претрагу идентификује оптималне услове за рад, а агент Волфрам израчунава „најбољи дан“. То је уметност повезане вештачке интелигенције, која поједностављује сложене задатке уз софистицираност.
ЛЛМ као централни мејнфрејм за аутономне агенте је интригантан концепт. Демонстрације као што су АутоГПТ, ГПТ-Енгинеер и БабиАГИ служе као једноставне илустрације ове идеје. Потенцијал ЛЛМ се протеже даље од генерисања или комплетирања добро написаних копија, прича, есеја и програма; они могу бити уоквирени као моћни решавачи општих задатака, и то је оно што желимо да постигнемо у изградњи циљно оријентисане оркестрације агената Таскфорце (ГОАТ.АИ)
Да би циљно оријентисана оркестрација система оперативне групе за ЛЛМ агента постојала и правилно функционисала, три главне компоненте система морају исправно функционисати
- Преглед
1) Планирање
- Подциљ и декомпозиција: Агент дели велике задатке на мање подциљеве којима се може управљати, што олакшава ефикасно руковање сложеним задацима.
- Рефлексија и префињеност: Агент се бави самокритиком и саморефлексијом прошлих поступака, учи из грешака и побољшава приступе будућим корацима, чиме се побољшава укупни квалитет исхода.
2) Меморија
- Краткорочна меморија: Односи се на количину текста коју модел може да обради пре него што одговори без икаквог смањења квалитета. У тренутном стању, ЛЛМ могу пружити одговоре без икаквог смањења квалитета за приближно 128 хиљада токена.
- Дугорочна меморија: Ово омогућава агенту да складишти и призове неограничену количину информација за контекст током дугих периода. Често се постиже коришћењем екстерног складишта вектора за ефикасне РАГ системе.
3) Акциони простор
- Агент стиче могућност да позове екстерне АПИ-је да би добио додатне информације које нису доступне у тежинама модела (које је често тешко модификовати након претходне обуке). Ово укључује приступ тренутним информацијама, извршавање кода, приступ власничким изворима информација, и што је најважније: позивање других агената за проналажење информација.
- Простор деловања обухвата и радње које нису усмерене на проналажење нечега, већ на извођење одређених радњи и добијање исхода. Примери таквих радњи укључују слање е-поште, покретање апликација, отварање улазних врата и још много тога. Ове радње се обично изводе преко различитих АПИ-ја. Поред тога, важно је напоменути да агенти могу да позивају и друге агенте за радњи догађаје којима имају приступ.
Пример: „изаберите најбољи дан следећег месеца за полумаратон од 20 км“. АИ ће почети да сарађује: агент за временску прогнозу преузима прогнозе, агент за веб претрагу идентификује оптималне услове за рад, а агент Волфрам израчунава „најбољи дан“. То је уметност повезане вештачке интелигенције, која поједностављује сложене задатке уз софистицираност.
ЛЛМ као централни мејнфрејм за аутономне агенте је интригантан концепт. Демонстрације као што су АутоГПТ, ГПТ-Енгинеер и БабиАГИ служе као једноставне илустрације ове идеје. Потенцијал ЛЛМ се протеже даље од генерисања или комплетирања добро написаних копија, прича, есеја и програма; они могу бити уоквирени као моћни решавачи општих задатака, и то је оно што желимо да постигнемо у изградњи циљно оријентисане оркестрације агената Таскфорце (ГОАТ.АИ)
Да би циљно оријентисана оркестрација система оперативне групе за ЛЛМ агента постојала и правилно функционисала, три главне компоненте система морају исправно функционисати
- Преглед
1) Планирање
- Подциљ и декомпозиција: Агент дели велике задатке на мање подциљеве којима се може управљати, што олакшава ефикасно руковање сложеним задацима.
- Рефлексија и префињеност: Агент се бави самокритиком и саморефлексијом прошлих поступака, учи из грешака и побољшава приступе будућим корацима, чиме се побољшава укупни квалитет исхода.
2) Меморија
- Краткорочна меморија: Односи се на количину текста коју модел може да обради пре него што одговори без икаквог смањења квалитета. У тренутном стању, ЛЛМ могу пружити одговоре без икаквог смањења квалитета за приближно 128 хиљада токена.
- Дугорочна меморија: Ово омогућава агенту да складишти и призове неограничену количину информација за контекст током дугих периода. Често се постиже коришћењем екстерног складишта вектора за ефикасне РАГ системе.
3) Акциони простор
- Агент стиче могућност да позове екстерне АПИ-је да би добио додатне информације које нису доступне у тежинама модела (које је често тешко модификовати након претходне обуке). Ово укључује приступ тренутним информацијама, извршавање кода, приступ власничким изворима информација, и што је најважније: позивање других агената за проналажење информација.
- Простор деловања обухвата и радње које нису усмерене на проналажење нечега, већ на извођење одређених радњи и добијање исхода. Примери таквих радњи укључују слање е-поште, покретање апликација, отварање улазних врата и још много тога. Ове радње се обично изводе преко различитих АПИ-ја. Поред тога, важно је напоменути да агенти могу да позивају и друге агенте за радњи догађаје којима имају приступ.
Ажурирано:
Предуслов безбедности је да разумете како програмери прикупљају и деле ваше податке. Праксе за приватност и безбедност података могу да се разликују у зависности од коришћења, региона и узраста. Програмер је пружио те информације и може да их ажурира током времена.
Шта је ново
Minor improvements to AI models
