🦸🏻#5：智慧體系統的構成要素
AI智慧體由什麼驅動？
🔳 Turing Post 在 🤗 Hugging Face 上駐紮 -> 點選關注！
引言
我們以一種非傳統的方式啟動了智慧體工作流系列，從開放性開始——這是一個為理解智慧體系統動態潛力奠定基礎的概念。在此基礎上，我們介紹了基本詞彙以及智慧體的真實和潛在示例，以構建堅實的基礎。現在，是時候深入探討智慧體系統的構建模組，探索使這些系統得以執行的核心元件了。要讓一個智慧體“協同工作”需要什麼？
在今天的章節中
- 智慧體系統的不同框架
- 關鍵元件（畫像、知識、記憶、推理與規劃、反思、行動）
- 人機互動趨勢（回顧“人機互動的相互心智理論”）
- 結論
- 額外福利：深入探索的資源
在早期，智慧體更像是獨立的機器人，每個都只為一小部分任務而設計。快進到今天，一切都圍繞著建立互聯的自主系統，充分利用人工智慧不斷增長的能力。
快速提醒一下，自主智慧體是感知其環境、做出決策並採取行動以實現目標的實體。這些智慧體在學習能力、物理性、專業化和任務複雜性方面各不相同。
📨 如果您想直接在收件箱中收到我們的文章，請在此訂閱
在描述這些系統的核心元件時，有多種方法。例如，有些框架更詳細，比如這個
另一些，例如LangChain的Harrison Chase，則採取了更示意性和簡化的方法
無論採用哪種框架，AI智慧體成功實現的關鍵都歸結為幾個關鍵元件 →
畫像
畫像是指為智慧體分配角色以塑造其行為。它定義了智慧體的身份、目標和界限，為與使用者和系統的互動設定了指導方針。透過適應特定任務或使用者偏好，畫像確保智慧體與其目的保持一致。
例如，“程式設計智慧體”可以處理重複性程式設計任務、除錯程式碼或建立新指令碼，類似於GitHub Copilot。“內容創作智慧體”可能起草文章或設計圖形，而“專案管理智慧體”可以優先處理任務和管理工作流。這些角色有助於智慧體專注於其領域，提高效率並減輕使用者的工作量。
知識
智慧體的知識提供領域特定的專業知識，幫助它理解任務並根據事實資料做出決策。這通常透過使用預訓練的AI模型、結構化知識庫和持續學習機制來實現。
例如，GPT或Llama等模型支援自然語言理解，這在IBM Watson Health等工具中可見。知識庫提供有組織的參考資料，例如用於案例法的法律資料庫。持續學習允許智慧體適應並保持相關性，確保它們有效處理行業特定任務。
記憶
乍一看，你可能會認為記憶只是知識的一部分。雖然它們密切相關，但記憶是一個獨立的元件，有其自己的研究基礎。智慧體的知識庫通常由語義記憶組成——關於世界的普遍事實、概念和規則，以及處理查詢的指令。
另一方面，記憶超越了語義知識。它包括儲存和檢索特定於互動的資料的能力，例如來自先前查詢的使用者輸入、過去的經驗及其結果。這使得智慧體能夠隨著時間的推移進行適應和改進。記憶系統，包括短期、長期、情景和語義元件，使智慧體能夠保留和重用過去互動的資訊。
有效的記憶實現確保關鍵資料被儲存和可訪問，使智慧體能夠利用過去的洞察力為當前決策提供資訊，保持對話的連續性，並增強使用者互動。
推理與規劃
為了有效執行任務並實現目標，智慧體依賴於其推理和規劃能力。這包括任務分解、分析任務以確定最佳行動方案，以及協調實現成功所需的步驟。透過應用邏輯推理，智慧體使用AI演算法和啟發式方法來處理複雜情況，促進問題解決、任務分解和戰略規劃。目標管理起著關鍵作用，允許智慧體根據重要性和可行性設定、優先排序和調整目標。
推理和決策是智慧體功能不可或缺的一部分，邏輯規則和演算法有助於得出結論並根據其知識庫做出決策。在響應查詢之前，智慧體生成一系列操作以確保可靠的結果。通常採用反思、自我批評、思維鏈推理和子目標分解等規劃技術，使智慧體能夠精確和適應性地操作。
反思
儘管我們在上一節中提到了反思作為一種技術，但Andrew Ng強調了它作為智慧體工作流中獨立類別的重要性。他將其確定為今年和明年推動AI工作流取得重大進展的四個關鍵設計模式之一。原因如下
反思使智慧體能夠處理反饋並從經驗中學習。它是一種強大而直接的設計模式，透過允許模型批評和完善其輸出，提高效能。模型不再僅僅依賴使用者反饋，而是批判性地評估其響應，識別改進並相應地進行修訂。例如，在生成程式碼時，模型可以檢查其輸出的正確性、風格和效率，然後對其進行最佳化以產生更好的結果。迭代反思通常會帶來顯著的增強。
除了自我反思，單元測試或網路搜尋等外部工具可以進一步驗證輸出，幫助模型識別和解決錯誤。多智慧體框架將這一概念推向更遠——一個智慧體生成內容，而另一個智慧體對其進行批評，從而實現協作改進。反思在各種任務中都持續顯示出其價值，包括編碼、寫作和問答。
行動
最後，智慧體的行動能力將其內部推理與外部世界連線起來，使其能夠透過精確執行實現目標。這涉及函式呼叫作為核心機制，智慧體透過API、軟體或硬體進行互動以執行任務，與外部工具或服務無縫整合。透過呼叫這些函式，智慧體可以與使用者、系統或其他智慧體進行通訊，同時遵循其計劃的步驟來完成任務。有效行動涉及呼叫適當的方法、訪問服務或資料庫以及監控結果以指導未來的決策，確保智慧體高效有效地執行。
連線這些元件需要一個統一的框架來支援智慧體功能的所有方面。元件之間無縫的資料交換確保例如記憶輸入推理，反思影響未來規劃。將元件構建為模組化單元允許獨立更新和改進。操作流程通常從畫像開始，定義智慧體的角色，然後是知識，提供基礎資訊。記憶保留經驗，推理和規劃設計策略，行動執行計劃，反思評估結果以影響未來的推理和行為。
人機互動
在智慧體架構中經常被忽視，但溝通在將智慧體與其環境連線起來方面起著至關重要的作用。隨著AI智慧體越來越融入我們的日常生活，人機互動領域很快就會成為大家關注的焦點。
關於這個話題的一個有趣觀點來自《人機互動的相互心智理論》這篇論文。佐治亞理工學院的研究人員提出了相互心智理論（MToM）框架，為增強人與AI之間的溝通提供了一種新穎的方法。該框架超越了傳統的人機互動，強調一種協作模型，其中AI系統以更有意義和更直觀的方式進行適應和參與。
受人類心智理論的啟發，MToM框架強調了人類和AI如何相互構建和完善心智模型。透過關注相互解釋和反饋，它使AI系統能夠調整其響應，以更好地滿足使用者需求。透過構建、識別和修訂階段，這些系統對它們在互動中的作用形成了更直觀的理解。
研究人員在實際環境中測試了這種方法，例如線上學習，其中AI教學助手根據學生輸入調整其行為。他們還研究了使用者對AI錯誤的反應，特別是當AI錯誤地表現個人特質時。他們的發現強調了信任和清晰溝通在彌合用戶期望和AI能力之間差距的重要性。
這項工作為將AI系統設計為協作夥伴提供了寶貴的見解。透過改善人與AI之間的理解，這些系統可以支援教育和個人輔助等領域的應用，同時促進更負責任和包容的設計。
結論
透過將這些核心元件——畫像、知識、記憶、推理/規劃、反思和行動——連線起來，您可以建立一個能夠進行復雜自主行為的AI智慧體。每個元件都扮演著關鍵角色，它們的整合確保智慧體能夠在其環境中有效感知、決策和行動。在本系列的後續章節中，我們將單獨探討智慧體工作流的每個核心要素，為您提供最新的實踐和理論見解。
一個成功的智慧體系統的關鍵在於這些元件如何良好地溝通和相互支援以實現預期目標。當我們探索使這些智慧體得以執行的技術時，重點應擴充套件到智慧體如何在互聯生態系統中蓬勃發展——以及我們人類將如何與它們溝通和協作。
額外福利：深入瞭解智慧體工作流的資源
- 王等人撰寫的《基於大型語言模型的智慧體使用者行為模擬》（2023年6月提交，2024年2月最新修訂）
- 奚等人撰寫的《基於大型語言模型的智慧體：綜述》（2023年9月）
- 陳等人撰寫的《AgentVerse：促進多智慧體協作和探索湧現行為》（2023年8月提交，2023年10月最新修訂）
- Lu 等人撰寫的《設計基於基礎模型的智慧體》（2023年11月提交，2024年4月最新修訂）
- Park 等人撰寫的《生成式智慧體：人類行為的互動式模擬》（2023年4月提交，2023年8月最新修訂）
- LangChain的Harrison Chase談論AI智慧體的未來發展（2024年3月）
- Andrew Ng談反思
- 劉等人撰寫的《智慧體設計模式目錄：基於基礎模型的智慧體架構模式合集》（2024年5月）
- 王和高爾撰寫的《人機互動的相互心智理論》（2024年5月）
- 王等人撰寫的《基於大型語言模型的自主智慧體綜述》
- Kapoor等人撰寫的《舉足輕重的AI智慧體》（2024年7月）
- Lu等人撰寫的《邁向負責任的生成式人工智慧：基於基礎模型的智慧體設計參考架構》（2023年11月提交，2024年4月最新修訂）
- Microsoft Research 部落格上的《追溯自適應 AI 代理之路》（2024 年 7 月）
感謝您的閱讀！📨 如果您想直接在收件箱中收到我們的文章，請在此訂閱
