AutoAct:一种从零开始学习的自动问答代理系统

在人工智能领域,大型语言模型(LLMs)的快速发展正在为我们开启通向通用人工智能(AGI)的大门。然而,如何更好地利用这些模型来构建智能代理系统,仍然面临着诸多挑战。近日,浙江大学、蚂蚁集团联合实验室等机构的研究人员提出了一种名为"AutoAct"的创新框架,有望在这一方向上取得突破性进展。

现有语言代理系统的局限性

尽管目前已有不少基于大型语言模型的代理系统在复杂问答任务上取得了不错的成绩,但它们仍然存在两个主要问题:

1. 对大规模标注数据的依赖。这些数据不仅获取成本高昂,而且往往难以复现,限制了系统的可扩展性。

2. 单一模型承担多重功能的挑战。这种"全能型"设计使得模型难以在每个领域都达到专家水平,影响了整体性能。

AutoAct:一种自动学习的新范式

为了解决上述问题,研究团队提出了AutoAct框架。这一框架最大的特点在于,它能够在仅有少量示例数据和工具库的情况下,自动完成从学习到规划的全过程,无需依赖人工标注或封闭源模型(如GPT-4)的辅助。

AutoAct的工作流程主要包括以下几个步骤:

1. 自我指导(Self-Instruct):利用元代理(Meta-Agent)对少量示例进行扩充,生成更多训练数据。

2. 自动工具选择:根据任务信息,从工具库中筛选出最适合的工具集。

3. 轨迹合成:通过零样本方式自动生成规划轨迹。

4. 自我分化:基于合成的轨迹,将元代理分化为具有