前不久，斯坦福大學(xué)教授吳恩達(dá)在演講中提到了智能體的巨大潛力，這也引起了眾多討論。其中，吳恩達(dá)談到基于 GPT-3.5 構(gòu)建的智能體工作流在應(yīng)用中表現(xiàn)比 GPT-4 要好。這表明，將目光局限于大模型不一定可取，智能體或許會比其所用的基礎(chǔ)模型更加優(yōu)秀。

在軟件開發(fā)領(lǐng)域，這些智能體展示了其獨(dú)特的能力，能夠高效協(xié)作，處理編程中的復(fù)雜問題，甚至進(jìn)行代碼自動生成。最新的技術(shù)動態(tài)顯示，AI 智能通在軟件開發(fā)中顯示出巨大的潛力。還記得 Devin 嗎？號稱世界第一個 AI 軟件工程師的它出場就驚艷到了我們，一個智能體就能帶給我們?nèi)绱梭w驗(yàn)，如果是多個智能體合作，是不是能夠直接把體驗(yàn)值直接拉滿呢？

想象一下，一個由多個智能體組成的團(tuán)隊(duì)，每一個成員都擅長于特定的任務(wù)，如代碼審查、錯誤檢測或新功能實(shí)現(xiàn)。這些智能體可以互補(bǔ)彼此的能力，共同推進(jìn)軟件項(xiàng)目的進(jìn)度。這豈不是解放了碼農(nóng)的雙手，再也不怕腱鞘炎了。

吳恩達(dá)撰新文一篇帶我們深入這一領(lǐng)域，探索智能體系統(tǒng)的最新動態(tài)。文章中提及的 AutoGen 和 LangGraph 等工具，正是在這一大背景下應(yīng)運(yùn)而生。這些工具旨在幫助開發(fā)者更容易地部署和管理 AI 智能體，從而充分發(fā)揮其潛力。憑借它們的力量，即使是沒有深厚編程背景的人也能夠利用 AI 智能體來優(yōu)化和自動化軟件開發(fā)流程。以下是機(jī)器之心不改變原義的整理與翻譯。

原文鏈接：https://www.deeplearning.ai/the-batch/issue-245/

多智能體協(xié)作是我在最近幾封信中描述的四種關(guān)鍵 AI 智能體設(shè)計(jì)模式中的最后一種。對于像編寫軟件這樣的復(fù)雜任務(wù)，多智能體方法會將任務(wù)分解成由不同角色（如軟件工程師、產(chǎn)品經(jīng)理、設(shè)計(jì)師、QA 工程師等）執(zhí)行的子任務(wù)，并讓不同的智能體完成不同的子任務(wù)。

不同的智能體可以通過提示一個 LLM（或多個 LLM）執(zhí)行不同的任務(wù)來構(gòu)建。例如，要建立一個軟件工程師智能體，我們可以提示 LLM：「你是編寫清晰、高效代碼的專家。請編寫代碼來執(zhí)行任務(wù)......」。

盡管我們多次調(diào)用同一個大型語言模型（LLM），但我們采用多智能體的編程抽象方法，這看似違反直覺，但卻有幾個理由支持：

1. 它有效！許多團(tuán)隊(duì)使用這種方法取得了良好的效果，沒有什么比結(jié)果更有說服力的了。此外，消融研究（例如在 AutoGen 論文中）表明，多智能體的表現(xiàn)優(yōu)于單一智能體。
2. 雖然現(xiàn)今的一些 LLM 能接受非常長的輸入上下文（例如，Gemini 1.5 Pro 可以接受 100 萬個 token），但它們真正理解長而復(fù)雜輸入的能力是參差不齊的。采用智能體工作流，讓 LLM 一次專注于一件事，可以獲得更好的表現(xiàn)。
3. 最重要的是，多智能體設(shè)計(jì)模式為開發(fā)者提供了一個框架，用以將復(fù)雜任務(wù)分解成子任務(wù)。當(dāng)在單個 CPU 上運(yùn)行代碼時，我們經(jīng)常將程序分解成不同的進(jìn)程或線程。這種抽象有助于我們將任務(wù)分解成更易于編碼的子任務(wù)。使用多智能體角色進(jìn)行思考同樣是一個有用的抽象。

在許多公司中，管理者通常會決定招聘哪些角色，然后如何將復(fù)雜項(xiàng)目 —— 如編寫一大塊軟件或準(zhǔn)備研究報(bào)告 —— 分解為更小的任務(wù)分配給具有不同專長的員工。使用多個智能體的做法與此類似。每個智能體實(shí)施自己的工作流程，擁有自己的記憶（這本身是智能體技術(shù)中一個迅速發(fā)展的領(lǐng)域：一個智能體如何記住足夠多的過去互動以在未來的任務(wù)中表現(xiàn)得更好），并可能請求其他智能體的幫助。智能體還可以進(jìn)行規(guī)劃和使用工具。這會產(chǎn)生了大量的 LLM 調(diào)用和智能體間的信息傳遞，可能形成非常復(fù)雜的工作流程。

雖然管理人員困難，但這是我們非常熟悉的，它為我們?nèi)绾巍腹蛡颉购头峙淙蝿?wù)給我們的 AI 智能體提供了一個心理框架。幸運(yùn)的是，管理不善 AI 智能體的損害遠(yuǎn)低于管理不善人類！

像 AutoGen、Crew AI 和 LangGraph 這樣的新興框架為解決問題提供了豐富的多智能體解決方案。如果你對玩樂趣十足的多智能體系統(tǒng)感興趣，不妨看看 ChatDev，這是一個運(yùn)行虛擬軟件公司的智能體集合的開源實(shí)現(xiàn)。你可以查看他們的 GitHub repo，也許克隆 repo 并親自運(yùn)行系統(tǒng)。雖然它可能不總是產(chǎn)生你想要的結(jié)果，但你可能會對它的表現(xiàn)感到驚訝。

就像規(guī)劃這一設(shè)計(jì)模式一樣，我發(fā)現(xiàn)多智能體協(xié)作的輸出質(zhì)量很難預(yù)測，特別是當(dāng)允許智能體自由交互并為它們提供多種工具時。更成熟的反思和工具使用模式更為可靠。希望你能享受這些智能體設(shè)計(jì)模式的樂趣，并且它們能為你帶來驚人的結(jié)果！如果你有興趣了解更多，可以閱讀以下文章：

• 論文標(biāo)題：Communicative Agents for Software Development
• 論文鏈接：https://arxiv.org/pdf/2307.07924.pdf

• 論文標(biāo)題：AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation
• 論文鏈接：https://arxiv.org/pdf/2308.08155.pdf

• 論文標(biāo)題：METAGPT: META PROGRAMMING FOR A MULTI-AGENT COLLABORATIVE FRAMEWORK
• 論文鏈接：https://arxiv.org/pdf/2308.00352.pdf

更多詳細(xì)內(nèi)容，請閱讀原文。

看了本篇文章，網(wǎng)友們大受啟發(fā)，不過也有網(wǎng)友提出，多智能體系統(tǒng)在執(zhí)行相同或類似任務(wù)時表現(xiàn)出的穩(wěn)定性和可預(yù)測性還有待考量。你覺得多智能體協(xié)作的益弊何在呢？