为什么多智能体人工智能可以解决法学硕士无法解决的复杂问题

ChatGPT 的引入带来了大语言模型（法学硕士）在科技和非科技行业得到广泛使用。这种受欢迎程度主要归因于两个因素：

1. LLM作为知识库：LLM接受大量互联网数据的训练，并定期更新（即GPT-3、GPT-3.5、GPT-4、GPT-4o等）；

2. 新兴能力：随着法学硕士的成长，他们会表现出能力在较小的型号中没有发现。这是否意味着我们已经达到了人类水平的智能，我们称之为

通用人工智能（通用人工智能）？Gartner 定义AGI 作为人工智能的一种形式，具有理解、学习和应用跨广泛任务和领域知识的能力。通向 AGI 的道路很漫长，其中一个关键障碍是 LLM 训练的自回归性质，该训练根据过去的序列预测单词。作为人工智能研究的先驱之一，Yann LeCun指出法学硕士由于其自回归性质，可能会偏离准确的响应。因此，法学硕士有几个局限性：

• 知识有限：虽然法学硕士接受了大量数据的培训，但他们缺乏最新的世界知识。
• 有限推理：法学硕士的推理能力有限。正如 Subbarao Kambhampati 指出的 法学硕士是很好的知识检索者，但是不是好的推理者。
• 无动态性：法学硕士是静态的，无法访问实时信息。

为了克服法学硕士的挑战，需要更先进的方法。这就是代理变得至关重要的地方。

特工前来救援

的概念AI中的智能代理已经发展了二十年，实现方式也随着时间的推移而变化。今天，代理人是在法学硕士的背景下讨论的。简单地说，Agent就像应对LLM挑战的瑞士军刀：它可以帮助我们进行推理，提供从互联网获取最新信息的手段（解决LLM的动态性问题），并且可以自主完成任务。以LLM为骨干，智能体正式由工具、记忆、推理（或规划）和行动组件组成。

工具使代理能够访问外部信息（无论是来自互联网、数据库还是 API），从而使他们能够收集必要的数据。

• 记忆可以是短期的，也可以是长期的。
• 代理使用暂存器内存来临时保存来自各种来源的结果，而聊天历史记录是长期记忆的一个例子。
• Reasoner 允许代理系统地思考，将复杂的任务分解为可管理的子任务以进行有效的处理。
• 动作：智能体根据其环境和推理执行动作，通过反馈迭代地适应和解决任务。ReAct 是迭代执行推理和行动的常用方法之一。

代理商擅长什么？

代理擅长执行复杂的任务，尤其是在复杂的任务中角色扮演模式，利用法学硕士的增强性能。例如，在撰写博客时，一个代理可能会专注于研究，而另一个代理则负责写作——每个代理都处理一个问题具体子目标。这种多智能体方法适用于许多现实生活中的问题。

角色扮演可以帮助代理专注于特定任务以实现更大的目标，通过清楚地减少幻觉定义部分提示 – 例如角色、说明和上下文。由于法学硕士的表现取决于结构良好的提示，因此各种框架将这一过程形式化。一个这样的框架，船员人工智能，提供了一种定义角色扮演的结构化方法，我们接下来将讨论这一点。

多代理与单代理

以使用单个代理的检索增强生成 (RAG) 为例。这是一种有效的方法，使法学硕士能够利用索引文档中的信息来处理特定于领域的查询。然而，单代理RAG 有其自身的局限性，例如检索性能或文档排名。多代理 RAG 通过采用专门的代理来进行文档理解、检索和排序，从而克服了这些限制。

在多代理场景中，代理以不同的方式进行协作，类似于分布式计算模式：顺序、集中、分散或共享消息池。CrewAI、Autogen 和 langGraph+langChain 等框架可以通过多代理方法解决复杂的问题。在本文中，我使用 CrewAI 作为参考框架来探索自主工作流管理。

工作流管理：多代理系统的用例

大多数工业流程都是关于管理工作流程，无论是贷款处理、营销活动管理，甚至是开发运营。实现特定目标需要顺序或循环的步骤。在传统方法中，每个步骤（例如，贷款申请验证）都需要人工执行繁琐而平凡的任务，即手动处理每个申请并在进入下一步之前对其进行验证。

每个步骤都需要该领域专家的意见。在使用 CrewAI 的多代理设置中，每个步骤都由由多个代理组成的工作人员处理。例如，在贷款申请验证中，一个代理可以通过驾驶执照等文件的背景调查来验证用户的身份，而另一个代理则验证用户的财务详细信息。

这就提出了一个问题：一个工作人员（按顺序或层次结构有多个代理）可以处理所有贷款处理步骤吗？虽然可能，但它使机组人员变得复杂，需要大量的临时记忆，并增加目标偏差和幻觉的风险。更有效的方法是将每个贷款处理步骤视为一个单独的工作人员，将整个工作流程视为按顺序或循环操作的工作人员节点图（使用 langGraph 等工具）。

由于法学硕士仍处于智能化的早期阶段，完整的工作流程管理不能完全自主。最终用户验证的关键阶段需要人机交互。例如，在船员完成贷款申请验证步骤后，需要人工监督来验证结果。随着时间的推移，随着人们对人工智能信心的增强，某些步骤可能会变得完全自主。目前，基于人工智能的工作流程管理起到辅助作用，简化繁琐的任务并减少整体处理时间。

生产挑战

将多代理解决方案投入生产可能会带来一些挑战。

• 规模：随着代理数量的增长，协作和管理变得具有挑战性。各种框架提供可扩展的解决方案 - 例如，Llamaindex 采用事件驱动的工作流程大规模管理多代理。
• 延迟：由于任务是迭代执行的，代理性能通常会产生延迟，需要多次 LLM 调用。由于隐含的护栏和网络延迟，托管法学硕士（如 GPT-4o）速度很慢。自托管法学硕士（具有 GPU 控制）在解决延迟问题方面非常有用。
• 性能和幻觉问题：由于 LLM 的概率性质，代理性能可能会因每次执行而有所不同。输出模板（例如 JSON 格式）和在提示中提供充足示例等技术可以帮助减少响应可变性。幻觉问题可以进一步减少通过培训代理。

最后的想法

作为吴恩达指出，代理是人工智能的未来，并将继续与法学硕士一起发展。多智能体系统将在处理多模式数据（文本、图像、视频、音频）和处理日益复杂的任务方面取得进展。虽然 AGI 和完全自主系统仍处于发展阶段，但多智能体将弥补目前 LLM 和 AGI 之间的差距。

阿布舍克·古普塔是首席数据科学家人才软件。