從聊天到編程再到支持各種插件，強大的 ChatGPT 早就不是一個簡單的對話助手，而是朝著 AI 界的「管理層」不斷前進。

3 月 23 號，OpenAI 宣布 ChatGPT 開始支持各類第三方插件，比如著名的理工科神器 Wolfram Alpha。借助該神器，原本雞兔同籠都算不準(zhǔn)的 ChatGPT 一躍成為理工科尖子生。Twitter 上許多人評論說，ChatGPT 插件的推出看起來有點像 2008 年 iPhone App Store 的推出。這也意味著 AI 聊天機器人正在進入一個新的進化階段 ——「meta app」階段。

緊接著，4 月初，浙江大學(xué)和微軟亞研的研究者提出了一種名為「HuggingGPT」的重要方法，可以看做是上述路線的一次大規(guī)模演示。HuggingGPT 讓 ChatGPT 充當(dāng)控制器（可以理解為管理層），由它來管理其他的大量 AI 模型，從而解決一些復(fù)雜的 AI 任務(wù)。具體來說，HuggingGPT 在收到用戶請求時使用 ChatGPT 進行任務(wù)規(guī)劃，根據(jù) HuggingFace 中可用的功能描述選擇模型，用選定的 AI 模型執(zhí)行每個子任務(wù)，并根據(jù)執(zhí)行結(jié)果匯總響應(yīng)。

這種做法可以彌補當(dāng)前大模型的很多不足，比如可處理的模態(tài)有限，在某些方面比不上專業(yè)模型等。

雖然調(diào)度的是 HuggingFace 的模型，但 HuggingGPT 畢竟不是 HuggingFace 官方出品。剛剛，HuggingFace 終于出手了。

和 HuggingGPT 理念類似，他們推出了一個新的 API——HuggingFace Transformers Agents。通過 Transformers Agents，你可以控制 10 萬多個 Hugging Face 模型完成各種多模態(tài)任務(wù)。

比如在下面這個例子中，你想讓 Transformers Agents 大聲解釋圖片上描繪了什么內(nèi)容。它會嘗試?yán)斫饽愕闹噶睿≧ead out loud thecontent of the image），然后將其轉(zhuǎn)化為 prompt，并挑選合適的模型、工具來完成你指定的任務(wù)。

英偉達(dá) AI 科學(xué)家 Jim Fan 評價說：這一天終于來了，這是邁向「Everything APP」（萬事通 APP）的重要一步。

不過也有人說，這和 AutoGPT 的自動迭代還不一樣，它更像是省掉了寫 prompt 并手動指定工具這些步驟，距離萬事通 APP 還為時過早。

Transformers Agents 地址：https://huggingface.co/docs/transformers/transformers_agents

Transformers Agents 怎么用？

在發(fā)布的同時，HuggingFace 就放出了 Colab 地址，任何人都可以上手一試：

https://huggingface.co/docs/transformers/en/transformers_agents

簡而言之，它在 transformers 之上提供了一個自然語言 API：首先定義一套策劃的工具，并設(shè)計了一個智能體來解釋自然語言和使用這些工具。

而且，Transformers Agents 在設(shè)計上是可擴展的。

團隊已經(jīng)確定了一組可以授權(quán)給智能體的工具，以下是已集成的工具列表：

• 文檔問答：給定一個圖像格式的文檔（例如 PDF），回答關(guān)于該文檔的問題 (Donut)
• 文本問答：給定一段長文本和一個問題，回答文本中的問題（Flan-T5）
• 無條件的圖像說明：為圖像添加說明 (BLIP)
• 圖片問答：給定一張圖片，回答關(guān)于這張圖片的問題（VILT）
• 圖像分割：給定圖像和 prompt，輸出該 prompt 的分割掩碼（CLIPSeg）
• 語音轉(zhuǎn)文本：給定一個人說話的錄音，將語音轉(zhuǎn)錄成文本 (Whisper)
• 文本到語音：將文本轉(zhuǎn)換為語音（SpeechT5）
• 零樣本文本分類：給定文本和標(biāo)簽列表，確定文本與哪個標(biāo)簽最對應(yīng) ( BART )
• 文本摘要：用一個或幾個句子來概括一個長文本（BART）
• 翻譯：將文本翻譯成給定的語言（NLLB）

這些工具集成在 transformers 中，也可以手動使用：

from transformers import load_tool

tool = load_tool("text-to-speech")
audio = tool("This is a text to speech tool")

用戶還可以將工具的代碼推送到 Hugging Face Space 或模型存儲庫，以便直接通過智能體來利用該工具，比如：

• 文本下載器：從 web URL 下載文本
• Text to image : 根據(jù) prompt 生成圖像，利用 Stable Diffusion
• 圖像轉(zhuǎn)換：在給定初始圖像和 prompt 的情況下修改圖像，利用 instruct pix2pix stable diffusion
• Text to video : 根據(jù) prompt 生成小視頻，利用 damo-vilab

具體玩法的話，我們先看幾個 HuggingFace 的示例：

生成圖像描述：

agent.run("Caption the following image", image=image)

朗讀文本：

agent.run("Read the following text out loud", text=text)

輸入：A beaver is swimming in the water

輸出：

tts_example音頻：00:0000:01

讀取文件：

在運行 agent.run, 之前，需要先實例化一個大語言模型智能體。這里支持 OpenAI 的模型以及 BigCode、OpenAssistant 等開源模型。

首先，請安裝 agents 附加組件以安裝所有默認(rèn)依賴項：

pip install transformers[agents]

要使用 openAI 模型，需要在安裝依賴項后實例化一個「OpenAiAgent」 openai：

pip install openai

from transformers import OpenAiAgent

agent = OpenAiAgent(model="text-davinci-003", api_key="<your_api_key>")

要使用 BigCode 或 OpenAssistant，首先登錄以訪問推理 API：

from huggingface_hub import login

login("<YOUR_TOKEN>")

然后，實例化智能體：

from transformers import HfAgent

Starcoder
agent = HfAgent("https://api-inference.huggingface.co/models/bigcode/starcoder")
StarcoderBase
agent = HfAgent("https://api-inference.huggingface.co/models/bigcode/starcoderbase")
OpenAssistant
agent = HfAgent(url_endpoint="https://api-inference.huggingface.co/models/OpenAssistant/oasst-sft-4-pythia-12b-epoch-3.5")

如果用戶對此模型（或另一個模型）有自己的推理端點，可以將上面的 URL 替換為自己的 URL 端點。

接下來，我們了解一下 Transformers Agents 提供的兩個 API：

單次執(zhí)行

單次執(zhí)行是在使用智能體的 run () 方法時：

agent.run("Draw me a picture of rivers and lakes.")

它會自動選擇適合要執(zhí)行的任務(wù)的工具并適當(dāng)?shù)貓?zhí)行，可在同一指令中執(zhí)行一項或多項任務(wù)（不過指令越復(fù)雜，智能體失敗的可能性就越大）。

agent.run("Draw me a picture of the sea then transform the picture to add an island")

每個 run () 操作都是獨立的，因此可以針對不同的任務(wù)連續(xù)運行多次。如果想在執(zhí)行過程中保持狀態(tài)或?qū)⒎俏谋緦ο髠鬟f給智能體，用戶可以通過指定希望智能體使用的變量來實現(xiàn)。例如，用戶可以生成第一張河流和湖泊圖像，并通過執(zhí)行以下操作要求模型更新該圖片以添加一個島嶼：

picture = agent.run("Generate a picture of rivers and lakes.")
updated_picture = agent.run("Transform the image in picture to add an island to it.", picture=picture)

當(dāng)模型無法理解用戶的請求并混合使用工具時，這會很有幫助。一個例子是：

agent.run("Draw me the picture of a capybara swimming in the sea")

在這里，模型可以用兩種方式解釋：

• 讓 text-to-image 水豚在海里游泳
• 或者，生成 text-to-image 水豚，然后使用 image-transformation 工具讓它在海里游泳

如果用戶想強制執(zhí)行第一種情況，可以通過將 prompt 作為參數(shù)傳遞給它來實現(xiàn)：

agent.run("Draw me a picture of the prompt", prompt="a capybara swimming in the sea")

基于聊天的執(zhí)行 

智能體還有一種基于聊天的方法：

agent.chat("Generate a picture of rivers and lakes")

agent.chat ("Transform the picture so that there is a rock in there")

這是一種可以跨指令保持狀態(tài)時。它更適合實驗，但在單個指令上表現(xiàn)更好，而 run () 方法更擅長處理復(fù)雜指令。如果用戶想傳遞非文本類型或特定 prompt，該方法也可以接受參數(shù)。