Agent四大范式 | CRITIC：吴恩达力推Agent设计范式

Agent四大范式 | CRITIC：吴恩达力推Agent设计范式

LLM应用` `人工智能` `自动化验证

摘要

近期大型语言模型（LLMs）的进展令人瞩目。然而，这些模型偶尔会出现矛盾和问题行为，比如虚构事实、编写错误代码或产生攻击性内容。与人类不同，人类通常会借助外部工具来核实和优化他们的内容，例如利用搜索引擎核实事实，或使用代码解释器进行调试。基于这一发现，我们提出了一个名为 CRITIC 的框架，它使得本质上不透明的 LLMs 能够像人类使用工具那样，验证并逐步改进自己的输出。具体来说，CRITIC 从初始输出出发，与相关工具互动，评估文本的特定方面，然后根据验证过程中收到的反馈进行调整。通过自由问答、数学程序合成和降低内容毒性的全面评估，我们发现 CRITIC 能够持续提升 LLMs 的表现。此外，研究还突显了外部反馈对于推动 LLMs 不断自我完善的至关重要性。

为什么写这篇老论文

最近吴恩达最佳在重点推广 Agent 应用开发，虽然不排除他是在推广它的有关课程商业化，但是 Agent 应用确实可能是未来通向 AGI 的途径。

之所以写这篇文章，是因为吴恩达在他推荐四种 Agent 开发范式的时候，推荐了这篇文章。

这篇是四大范式的第一篇文章，后面争取把吴恩达推荐的几篇四大范式的文章都给大家读一遍。

缘起

ChatGPT 出现后，基于 ChatGPT 等大语言模型的 Agent 应用层出不穷，也取得了巨大的进步，提升了模型的潜力。但是这些模型和应用也出现了一些问题，比如：模型幻觉、错误代码、有害内容。这些行为成为了大家实际使用 AGI 的障碍和顾虑。

为了解决这些问题，作者提出了 CRITIC 框架，使得黑盒式的大语言模型 Agent 应用可以跟外部工具进行交互，从而进行自我严重和修复，完善输出内容。CRITIC 核心是借鉴了人类的认知和批判性思维，不断验证和修正模型的输出，使得模型输出的效果更好。

如上图所示，CRITIC 框架包括两个步骤：首先，与外部工具（搜索引擎、代码解释器等外部工具）互动验证结果并提出批评；其次，根据这些批评对结果进行修正。这一过程可以不断重复，以促进结果的持续提升。

与传统依赖高成本注释或特定任务训练的方法相异，CRITIC 通过上下文学习和工具互动，巧妙利用 LLM 自身来识别并修正不足之处。这种方法简便易行，仅需接入文本处理工具 API 和进行少量示例演示。

针对包括 ChatGPT、Text-Davinci-003 以及开源的 LLaMA-2 变体（7B、13B 和 70B）在内的多种 LLM 进行评估，覆盖自由形式问答、数学程序合成和降低有害内容三个不同任务。结果显示，CRITIC 在各个领域均显著优于现有技术，无需额外数据或训练即可实现。比如，CRITIC 在三项问答任务中实现了 7.7 的 F1 分数提升，并降低了 79.2%的有害内容概率。

有趣的是，我们的发现所有的模型验证验证时都会出现问题。所以，过分依赖自我修正而没有外部反馈，可能只会带来微小的改进，甚至可能导致性能下降。

几个关键概念

真实性评估

如何进行真实性评估？因为大语言模型天生的幻觉，会产生大量比真实还真实的虚假信息，所以如何评估大语言模型的真实性这个问题变得非常重要。在过去，真实性评估主要集中在一些封闭域的问题，比如文本摘要、表格生成等。但是对于开放式的问答真实性评估，还没有多少有效的方法。特别对于Agent应用，会调用外部接口来获取信息生成答案。这篇文章的一大贡献就是通过外部工具交互，来自我验证输出的真实性。

工具增强模型

工具辅助的语言模型超越了单纯的记忆依赖，通过与工具的互动，提升了大语言模型Agent应用的精确度和效能，让模型得以充分发挥其推理和组合的潜能。能够通过检索系统或搜索引擎增强内容生成，利用计算器提升数学逻辑推理，通过代码解释器执行代码，甚至运用数学证明工具来验证理论。这些工具可以通过预训练、微调或上下文学习教会模型如何使用。CRITIC框架放弃了针对特定任务的训练，转而采用更为简洁和通用的上下文学习方法。

效果评估

针对CRITIC框架，作者在多个任务中进行验证：开放式问答、数学程序编写、降低有害内容。三种任务分别考察框架不同方面的能力：

• • 开放式问答：考察开放域知识相关的真实性和多跳逻辑推理；
• • 数学程序合成：考察模型生成程序的正确性和执行能力；
• • 降低有害内容：开放输出空间的生成安全性。

对照组包括：

• • 经典的少样本提示法，直接给出答案；
• • 思维链提示法，先提供逐步推理，再得出最终答案；
• • 自洽性方法，大量生成样本后通过投票选出最佳答案；
• • ReAct方法，结合推理和检索知识的增强策略，我们通过搜索API改进了其性能；
• • ReAct→CRITIC在ReAct生成的检索增强结果上进一步应用CRITIC；
• • 无工具CRITIC版本，去除搜索API，直接利用LLM生成证据；
• • 此外，还纳入了各个数据集上当前最先进的监督学习方法。

上图是作者在开放式问答任务上测试的结果，从结果中可以看出：

• • 1)CRITIC在所有数据集和大语言模型Agent应用上都大幅度提升了最初的CoT结果，仅经过三次修正就显著优于自洽性方法。
• • 2)CRITIC与性能更强的大语言模型Agent应用搭配使用效果更佳，无论是在text-davinci-003还是ChatGPT上，CRITIC和CRITIC*都显著提高了F1分数。
• • 3)CRITIC结合模型内在知识和外部反馈，比单纯依赖搜索信息的ReAct表现更佳，在两种大语言模型Agent应用上都实现了F1分数的显著提升。CRITIC在大多数情况下也超过了ReAct→CRITIC，这表明只使用CRITIC会比使用CRITIC和ReAct联合使用效果更好。
• • 4)在CRITIC中，工具互动至关重要，模型自我批评对性能提升的贡献有限，有时甚至不如初始输出。
• • 5)CRITIC还能进一步提升基于检索方法的性能。
• • 6)CRITIC能够有效纠正不实信息、修正错误推理并识别过时知识。

CRITIC方法的局限性

推理延迟

考虑到与外部工具互动获取真实反馈及多次推理迭代的需求，CRITIC方法会带来额外的时间成本，且成本与迭代次数成正比。

例如，在数学程序生成任务中，两次修正的时间成本约为PoT对照组成本的两倍。这种时间成本并非我们所特有，常见的提示方法如ReAct和自洽性同样为了提升性能而牺牲时间。特别是自洽性，通常需要获取大量样本进行投票。但实际上，即使只进行少量迭代（甚至一次），CRITIC也能带来显著效果。

提示词敏感

尽管实验显示CRITIC在不同大语言模型Agent应用和场景下都有效，但依赖于恰当的上下文提示。CRITIC使用的ReAct风格提示便于构建，工作量与ReAct或PoT相当，同时显著提升了性能。然而，不同的提示构建可能会影响结果。未来研究应探索不依赖手工制作的提示的更高效工具使用方式，因为手工提示通常涉及重新编码的长上下文窗口。

测试任务有限

虽然作者已在多个重要任务和不同大语言模型Agent应用上验证了CRITIC的效果，但其在其他任务和模型上的效果尚不明确，因为大语言模型Agent应用可能并不总需要或能够有效利用外部反馈。此外，实验仅限于文本模态，显式语言评估不一定适用于所有模型输出。面对这些挑战，未来工作可以将CRITIC应用于更广泛的场景，例如结合字典支持翻译或多语言任务，利用WolframAlpha验证数学解决方案和证明，通过模拟环境为模型决策提供反馈，以及扩展到更多模态。

测试案例分享

作者在全文的附录部分提供了一些CRITIC成功和失败的案例：

成功案例

开放式问答任务中，CRITIC矫正虚假回答

开放式问答任务中，CRITIC纠正错误的推理链

开放式问答任务中，CRITIC发现过时的大语言模型中的过时信息

失败案例

开放式问答任务中，证据不足

开放式问答任务中，推理错误

Prompt

最重要的环节就是如何实现了，作者在文章中也列出了所用到的prompt，这里我们列少数几个，其他的大家自己点开原文看附录部分就可以了。

Arxiv[1]

通往 AGI 的神秘代码

if like_this_article():
    do_action('点赞')
    do_action('再看')

if like_all_arxiv_articles():
    go_to_link('https://github.com/HuggingAGI/HuggingArxiv')    star_github_repo(''https://github.com/HuggingAGI/HuggingArxiv')

引用链接

[1] Arxiv: https://arxiv.org/abs/2305.11738