Single-Agent 大翻身：Multi-Agent 可以退下了？

最新推荐文章于 2025-01-14 18:04:34 发布
最新推荐文章于 2025-01-14 18:04:34 发布
阅读量908 收藏 23
点赞数 24
文章标签： 人工智能 语言模型 ai agi LLM Agent prompt
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_85325397/article/details/142855238
版权

前言

单体AI代理系统正在逆袭，多代理系统可能要凉凉了？

随着大语言模型（LLMs）的不断进步，越来越多的公司开始构建AI代理系统。

但是，到底什么是基于LLM的代理系统？

我们真的需要多代理系统吗？

前Open Devin（现Open Hands）的Graham Neubig最近发表了一篇博文，深入探讨了这个问题，并解释了如何打造优秀的单体代理系统。

来看看这场"单体VS多体"的AI代理之战！

AI代理系统的核心组成

首先，我们需要了解AI代理系统的关键组成部分：

  • 大语言模型（LLMs）：作为系统的大脑

  • 提示词（Prompts）：用于引导模型思考

  • 动作空间（Action spaces）：定义代理可以执行的操作

多代理系统通常会在这些组件上进行变化，以实现不同的功能。

多代理系统：看似强大，实则复杂

多代理系统的一个典型例子是使用不同的代理来管理、复制、本地化、编辑和验证代码。这种方法看起来很强大，但实际上面临着一些严峻的挑战：

  • 结构难以组织：多个代理之间的协调和通信变得复杂

  • 上下文保存困难：在代理之间传递信息可能导致重要上下文的丢失

  • 维护成本高：随着系统规模的扩大，维护和更新多个代理变得越来越困难

单体代理系统：简单而强大

相比之下，单体代理系统具有以下优势：

  • 利用强大的通用LLMs：充分发挥大模型的全能性

  • 整合多样化工具：在一个统一的动作空间内集成各种功能

  • 简化提示技术：使用更直接、更有效的提示方法

单体系统的提示技巧

尽管单体系统看似简单，但在提示方面仍然需要一些技巧：

  • 提示词拼接：将多个提示组合在一起，以覆盖更广泛的功能

  • 检索增强提示：根据需要动态获取和使用相关信息

你认为单体AI代理系统会成为未来的主流吗？

【原文译文】

别忽视单一代理系统的潜力


作者: Graham Neubig | 2024年9月26日

最近，“多代理系统（multi-agent system）”成了人工智能领域最热门的流行词之一，不仅是 MetaGPT[1] 和 Autogen[2] 这样流行的开源框架的重点关注对象，也在各种黑客松[3]和诸多研究论文中频繁出现。然而，在这篇文章中，我想从另一个角度来看待这一趋势，并论述为何单一代理系统同样值得关注。文章将以我们构建的软件开发代理框架 OpenHands[4] 的经验为例，阐述相关观点。

本文将讨论以下几点内容：

  • 构建现代 AI 代理的要素：大语言模型（LLM）、提示词（Prompts）和动作空间（Action Spaces）

  • 多代理系统的示例

  • 多代理系统的一些问题

  • 如何从使用多个专业化代理转向使用单一强力代理，并讨论当前仍需解决的相关问题

什么是基于 LLM 的代理？

目前大多数实用的 AI 代理都是基于像 Anthropic 的 Claude[5] 或 OpenAI 语言模型[6] 这样的大型语言模型（LLM）。但仅有语言模型并不足以构建一个完整的代理系统，至少还需要以下三个组成部分：

  1. 底层大语言模型（The Underlying LLM）

  2. 提示词（Prompt）：提示词可以是指定模型行为的系统提示词，也可以是从代理的外部环境中获取的相关信息。

  3. 动作空间（Action Space）：指的是赋予代理在世界中采取行动的工具。

通常，在讨论多代理系统时，我们至少会在这三个组成部分中的某一个上进行变动。

多代理系统的一个示例

假设我们正在构建一个 AI 软件开发工具。我们可以参考 CodeR[7]——一个用于 AI 软件开发的多代理框架。CodeR 包含多个代理，这些代理使用相同的底层语言模型，但在提示词和动作空间上各不相同：

  • 管理者（Manager）：该代理的提示词要求它编写供其他代理执行的计划，其动作空间是输出相应的计划。

  • 再现者（Reproducer）：该代理的提示词要求它再现问题，并通过 reproduce.py 文件中的代码来复现错误。

  • 故障定位者（Fault Localizer）：该代理的提示词要求它找出引发错误的文件，并使用软件工程工具定位故障文件供后续使用。

  • 编辑者（Editor）：该代理的提示词要求它根据再现者和故障定位者的结果对文件进行编辑。

  • 验证者（Verifier）：该代理的提示词要求它对其他代理的结果进行验证，并输出问题是否解决的判断结果（是/否）。

这种系统架构虽然直观，但在实际构建过程中仍然面临诸多挑战。

多代理系统面临的问题

构建多代理系统时，可能遇到以下几个难点：

  1. 架构设计的复杂性：多代理系统依赖特定架构来解决问题，这在问题与架构完全匹配时效果很好。但如果不匹配呢？例如，如果验证者想要进一步验证它的判断，需要进行文件定位，但因为这些代理是完全独立的，验证者无法直接使用相关工具完成任务。

  2. 上下文信息的维护：多代理系统通常通过多个代理之间传递信息，但这可能导致信息的丢失。例如，故障定位者将其工作内容传递给后续代理时，可能只传递摘要信息，而这些关键信息可能会对下游代理完成任务至关重要。

  3. 维护难度：每个代理通常都有独立的代码库或提示词，因此多代理系统的代码库往往更大，维护起来也更加复杂。

有趣的是，很多这些挑战与人类组织的管理问题类似！相信大家都有过这样的经历：所在团队组织混乱、沟通不畅，或者因某个成员离职导致关键技能缺失。

如何构建卓越的单一代理系统

需要明确的是，人们选择多代理系统并非没有原因——在能够为每个代理提供合适的架构和工具时，专业化代理在特定任务上表现出色。那么，单一代理系统能否与之竞争呢？我认为，这个目标比我们想象中更容易实现——我们已经在 OpenHands 中实现的 CodeActAgent[8] 中创建了一个不错的原型。以下是构建优秀的单一大语言模型（LLM）、单一动作空间和单一提示词技术所需的要素。

单一大语言模型

这是相对容易实现的部分。目前已有一些通用性很强的 LLM，包括封闭的 Claude 和 GPT-4o，以及开源的 Llama-3.1[9] 或 Qwen-2.5[10]。虽然这些模型无法涵盖所有能力，但它们的能力覆盖面非常广泛。即使它们缺少某些特定能力，也可以通过持续训练[11]来增加新能力，而不会显著影响其他能力。

单一动作空间

这也不算难。如果我们希望为多个代理提供不同的工具，可以通过以下两种方式来实现：

  1. 提供模型相对通用的工具以解决问题。

  2. 如果不同的代理有不同的工具箱，可以将它们整合在一起。例如，在 OpenHands 中，我们为代理提供了 (a) 编写代码、(b) 运行代码和 © 执行网页浏览的工具。通过这种方式，我们可以利用现有的面向人类开发者的软件工具，从而使单一代理能够胜任大多数多代理系统的功能。

单一提示词技术

这一部分相对较为复杂。我们需要确保代理能够获得解决任务的合适指示，并从其环境中获取必要的信息。以下是两种可能的实现方案：

  1. 合并所有提示词：如果一个多代理系统中有 10 个不同的提示词，为什么不将它们全部合并呢？如今，我们已经有了可以处理数十万甚至上百万个 token 的长上下文模型（如 Claude 可处理 20 万 token，Llama 可处理 12.8 万 token）。这是我们在 OpenHands 中目前采取的策略。不过这种方法也有一些缺点。首先是成本问题，较长的提示词会增加费用和处理时间，尽管 Anthropic 的提示词缓存[12]等功能使这一点比以前更加经济。其次，LLM 可能会因为被提供过多无关信息而分散注意力[13]，但随着模型能力的提升，它们在长上下文中提取重要信息的能力也在不断增强。

  2. 基于检索的提示（Retrieval-augmented Prompting）：另一种可能的选择是借助检索技术。就像基于检索的生成系统（RAG）[14]那样，可以通过检索来避免冗长上下文带来的效率或准确性问题。虽然已有一些研究工作[15]专注于在提示词中选择合适的示例，但我尚未见到有针对代理系统的相关研究。

找到最佳解决方案仍然是一个活跃的研究课题，但我相信这是可以克服的挑战。如果你对此感兴趣，欢迎加入 OpenHands 的 Slack 社区[16]与我们一起探讨更多内容！

结论

以上讨论并非否定多代理系统的价值。例如，当某个代理拥有特权信息，或在多个代理分别代表不同用户执行任务的情况下，多代理系统无疑是最优选择！

本文的目的只是希望大家能够对增加系统复杂性的趋势保持批判性思考。有时简单才是最优解。凭借强大的模型、先进的工具和多样的提示词，我们已经朝着这一方向迈出了坚实的一步。

最后的最后

感谢你们的阅读和喜欢，我收藏了很多技术干货，可以共享给喜欢我文章的朋友们，如果你肯花时间沉下心去学习，它们一定能帮到你。

因为这个行业不同于其他行业，知识体系实在是过于庞大，知识更新也非常快。作为一个普通人，无法全部学完，所以我们在提升技术的时候，首先需要明确一个目标，然后制定好完整的计划，同时找到好的学习方法，这样才能更快的提升自己。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

大模型知识脑图

为了成为更好的 AI大模型 开发者，这里为大家提供了总的路线图。它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
在这里插入图片描述

经典书籍阅读

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

在这里插入图片描述

实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

在这里插入图片描述

面试资料

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

在这里插入图片描述

640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

在这里插入图片描述

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

小城哇哇
关注
超越单兵作战：多智能体 Multi-Agent System (MAS)---多智能体框架实战
丨汀、的博客
07-10 2311
超越单兵作战：多智能体 Multi-Agent System (MAS)
LangChain 2024 最新发布：LangGraph 多智能体工作流（Multi-Agent Workflows）
段智华的博客
01-27 3300
当我们谈论“多智能体”时，我们谈论的是多个独立的参与者，这些参与者由以特定方式连接的语言模型提供支持。每个代理都可以有自己的提示、LLM、工具和其他自定义代码，以便与其他代理进行最佳协作。什么是多个独立代理？这些代理是如何连接的？这种想法非常适合图表示，例如由LangGraph 提供的图表示。在此方法中，每个智能体都是图中的一个节点，它们的连接表示为一条边。控制流由边管理，它们通过添加到图的状态进行通信。注意：这里一个非常相关的概念是状态机的概念，我们明确地将其称为认知架构的一个类别。
AB实验人群定向HTE模型1 - Causal Tree
2401_84495725的博客
05-29 919
Treatment effect之所以比通常的预测问题要更难解决，因为groud-truth在现实中是无法直接观测到的，一个人在同一时刻要么吃药要不么吃药，所以你永远无法知道吃药的人要是没吃药血压会不会也降低，或者没吃药的人要是吃了药血压会不会降低。相似的问题经常出现在经济，政治决策，医疗研究以及当下的互联网AB测试中。作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。
小学生也能听得懂的大模型 - Transformer 1
2401_85325557的博客
07-29 1312
参考 [小学生也能听得懂的大模型 Transformer 1]
人工智能的三个发展阶段
热门推荐
weixin_45726854的博客
02-28 2万+
人工智能的三个发展阶段 1.人工智能的推理阶段（1950-1970） 这一阶段，大多数人认为，实现人工智能只需要赋予机器逻辑推理能力就可以，因此，机器只是具备了逻辑推理能力，并未达到智能化水平。 2.人工智能的知识工程阶段（1970-1990） 这一阶段，人们普遍认为，只有让机器学习知识之后才可以实现人工智能。在这种情况下，大量的专家系统被开发出来。但人们发现，给机器灌输已经总结好的知识并不是一件容易的事。 3.人工智能的数据挖掘阶段（2000-） 目前，已经提出的机器学习算法都得到了非常好的应用。深度学习
人工智能的三个阶段计算智能，感知智能和认知智能
xx_nm98的博客
10-07 3662
人工智能技术的发展是一个蜿蜒曲折的道路人工智能技术是一项复杂的系统性工程，而且更多时候它只是一个概念性的技术；没有有人知道人工智能应该是什么样，也没有人知道应该怎么才能实现人工智能。所以，人工智能技术经过几十年的发展，一直是在蜿蜒曲折的前进；所以，研究者们就根据人工智能技术发展的现状以及对其未来的期望总结了人工智能技术发展的几个阶段。而现在的人工智能技术即将要进入认知智能阶段。‍‍‍人工智能技术发展的三个阶段行业一般将人工智能发展分为三个阶段，分别是计算智能，感知智能和认知智能。
人工智能的历史与未来，主要划分为了哪三个阶段
多智时代的博客
03-23 1万+
事物飞速发展之时，往往需要你停下脚步，回顾自己所处的位置，否则你会很容易陷入对细节的兴奋之中。构成人工智能基础的数据科技正以不同的方式向前发展，而且速度飞快。因此，在你改变职业之前，或者决定使用人工智能扩展业务时，让我们首先对人工智能做一个鸟瞰，以帮助理解我们所处的位置以及未来走向。 人工智能的三个阶段 我们倾向于把人工智能看做新事物，尤其是新技术以及和深度学习相关的新技巧。然而，人工智能已经过数...
Multi-agent Reinforcement Learning: An Overview 读书笔记
weixin_43075594的博客
03-11 3423
Multi-agent Reinforcement Learning: An Overview 读书笔记目录abstractintroductionbackgroundbenefit and challengeMARL goalMARL algorithmapplicationexampleOutlookrelated workconclusion 目录 零，abstract 一，introduc...
Single-agent和Multi-agent的区别及各自适用的落地场景（ChatGPT-4o，智谱清言 GLM 4 Plus 回答）
最新发布
weixin_41338279的博客
01-14 1274
基于LLM的Single-Agent是指利用LLM作为核心组件，独立完成特定任务的智能体。这种智能体不依赖于其他智能体的协作或竞争。基于LLM的Multi-Agent是指多个智能体共同工作，通过通信、协作或竞争来完成复杂任务的系统。每个智能体可能基于相同的或不同的LLM。基于LLM的Single-Agent和Multi-Agent各有其独特的优势和适用场景。Single-Agent适用于简单、独立的任务，而Multi-Agent适用于复杂、需要多智能体协作的任务。
2024-06-01 问AI: 在大语言模型中，什么是single agent？
baidu_24377669的博客
06-01 1296
在大语言模型中，single agent 指的是单个智能体，它是一种基于大型语言模型的自主智能体应用。举例来说，在汽车行业中，single agent 模型可能被用于客户服务或车辆诊断，而多代理系统则可以整合多个智能体，在产品研发、供应链管理、售后服务等多个环节中协同工作，从而提升整个行业的运营效率和智能化水平。在大语言模型（LLM）的语境中，特别是在涉及多智能体（Multi-Agent）系统的讨论中，Single-Agent（单智能体）指的是整个系统中仅设计了一个智能体来负责处理工作流中的各个环节。
人工智能三个发展期
weixin_34080903的博客
12-02 545
一 乐观期(1950-1968)    大家都认为自己找到了智能的关键点,都不遗余力花大精力去研究,以Marvin MinSky,Frank Roseblatt,Bread Widrow为代表性人物,作品是单级感知器的出现,可以采用电子线路来进行模拟. 二 反思期(1969-1982)    异或无法表示,造成了极大的困惑,但是坚定了认识-实践-再认识的目标 三 小突破期(1983...
一文剖析AI大模型技术架构的全景视图：从基础实施层、云原生层、模型层、应用技术层、能力层、到应用层...
musicml的博客
09-05 1528
▼最近直播超级多，预约保你有收获—1—AI 大模型技术架构全景图AI 大模型已经在具体的业务场景落地实践，本文通过梳理 AI 大模型技术架构的全景视图，让你全面了解 AI 大模型技术的各个层次，从基础实施层、云原生层、模型层、应用技术层、能力层、到应用层，如下图所示，揭示 AI 大模型如何在不同的层面上协同工作，推动产业应用的落地。一、 基础设施层AI 大模型技术发展离不开坚实的基础设施支...
5分搞懂大模型 - RAG（检索、增强、生成）
2401_85327249的博客
09-01 5181
RAG（Retrieval-Augmented Generation，检索增强生成） 是一种结合了信息检索技术与语言生成模型的人工智能技术。该技术通过从外部知识库中检索相关信息，并将其作为提示（Prompt）输入给大型语言模型（LLMs），以增强模型处理知识密集型任务的能力，如问答、文本摘要、内容生成等。RAG模型由Facebook AI Research（FAIR）团队于2020年首次提出，并迅速成为大模型应用中的热门方案。
一文彻底搞懂大模型 - RAG（检索、增强、生成）
lvaolan168的博客
12-11 3508
RAG（Retrieval-Augmented Generation，检索增强生成） 是一种结合了信息检索技术与语言生成模型的人工智能技术。该技术通过从外部知识库中检索相关信息，并将其作为提示（Prompt）输入给大型语言模型（LLMs），以增强模型处理知识密集型任务的能力，如问答、文本摘要、内容生成等。RAG模型由Facebook AI Research（FAIR）团队于2020年首次提出，并迅速成为大模型应用中的热门方案。前排提示，文末有大模型AGI-CSDN独家资料包哦！一、检索增强生成（RAG）什么
大模型LLM | AI Agent（智能体）：从技术概念到场景落地
star_nwe的博客
10-03 1440
通过更复杂的指令（Prompt），AI能够独立拆分任务、利用工具，并最终完成任务。用户的角色转变为设定目标、提供必要资源和监督任务的执行结果。这三种模式展示了从用户主导到AI主导的连续统一体，每种模式都适用于不同的应用场景和需求。
LLM大模型和数据标注
sparkapi的博客
01-10 5214
在正式开始前我们先简单介绍下数据标注和常用场景数据标注是对数据中的特定元素进行识别、描述和分类，以训练机器学习模型的过程。标注后的数据将用于处理、预测基础模型或者对真实生活数据进行响应。它有助于模型或神经网络学习并做出决策，从而产生所需的结果。例如，OCR系统需要识别原始数据中的个人身份信息。为此，标注人员会在训练样本上标注姓名、身份证和联系方式。然后，机器学习工程师用数据集训练模型，以实现OCR实体识别，并从存储的文档中提取个人详细信息。数据标注看似简单，但各种参数可能会影响标注结果和模型性能。
3.⼈⼯智能的三个阶段（Artificial Intelligence as an idiot）
adamlay的博客
10-29 865
3.1 规则阶段 ⼈⼯智能发展曲线 ⼈⼯智能发展历史，始祖——图灵 ⼈⼯智能1.0——图灵机 3.2 机器学习阶段发展⾄连接主义阶段 第⼀阶段，符号学派，规则阶段 第⼆阶段利⽤数据反向⼯程，即算法，可以⾃身学习的算法 统计模型（如下图），共同特点：①使⽤数据改变⾃身结构，②模拟⼈的思维 3.4 连接主义阶段发展至学习阶段 ...
大语言模型评测中的评价指标：方法、基准和最佳实践
2401_85375186的博客
12-06 1792
LLM 评估指标，如答案正确性、语义相似性和幻觉等表现情况，是根据你关心的维度对 LLM 系统的输出进行评分的指标。它们对 LLM 评估至关重要，因为它们有助于量化不同 LLM 系统的性能。以下是在将 LLM 系统投入生产之前最可能需要的最重要和最常见的指标：答案相关性：确定 LLM 输出是否能以信息丰富和简洁的方式回答给定的输入。正确性： 根据某些基本事实，确定 LLM 输出是否正确。幻觉：确定 LLM 输出是否包含虚假或编造的信息。
MADER：掌握多智能体动态环境下的路径规划
在描述中提到，MADER能够处理单个代理（single agent）和多个代理（multi-agent）的情况。当仅有一个智能体需要规划轨迹时，MADER可以采用与处理多智能体环境类似的方法，但只针对单一目标。在多智能体环境中，MADER...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值