本文為該課程的第二章（智能體綜述及多智能體框架介紹)筆記）。
前面文章已經(jīng)介紹過我理解的 AI Agent 的概念。
智能體就是像人一樣，能理解現(xiàn)實(shí)中的事務(wù)，有記憶，會思考，會總結(jié)，會學(xué)習(xí)，像人一樣會規(guī)劃，會決策，會使用各種工具來完成某項任務(wù)。
多智能體，就像一個團(tuán)隊，大了說像我們現(xiàn)在生活的社會，每個智能體有自己的職能和領(lǐng)域，人與人之間通過協(xié)作，能完成更加復(fù)雜和龐大的目標(biāo)。
再看這張經(jīng)典的圖：
現(xiàn)在看來，中間的Agent應(yīng)該換為LLM更為合適，而整張圖才能叫做Agent。也就是說：Agent是上圖中所有能力的集合，以LLM為大腦，來決定完成任務(wù)所需的步驟，規(guī)劃執(zhí)行該使用哪些工具，該得到什么結(jié)果。再輔以記憶能力，讓整個過程像人一樣能夠自主決策，自主行動以自主達(dá)到目的。
項目地址：https://github.com/yoheinakajima/babyagi/blob/main/README.md
其運(yùn)行流程如下：
（1）從任務(wù)列表中提取第一個任務(wù)
（2）將任務(wù)發(fā)送到執(zhí)行代理（Execution Agent），該Agent使用LLM根據(jù)上下文完成任務(wù)。
（3）豐富結(jié)果并將其存儲在向量數(shù)據(jù)庫中
（4）創(chuàng)建新任務(wù)，并根據(jù)上一任務(wù)的目標(biāo)和結(jié)果重新確定任務(wù)列表的優(yōu)先級。
（5）重復(fù)以上步驟
其中涉及四個Agent，其中前三個Agent都利用了大模型的能力來進(jìn)行任務(wù)規(guī)劃和總結(jié)：
Execution Agent 接收目標(biāo)和任務(wù)，調(diào)用大模型 LLM來生成任務(wù)結(jié)果。
Task Creation Agent 使用大模型LLM 根據(jù)目標(biāo)和前一個任務(wù)的結(jié)果創(chuàng)建新任務(wù)。它的輸入是：目標(biāo)，前一個任務(wù)的結(jié)果，任務(wù)描述和當(dāng)前任務(wù)列表。
Prioritization Agent 使用大模型LLM對任務(wù)列表進(jìn)行重新排序。它接受一個參數(shù)：當(dāng)前任務(wù)的 ID
Context Agent 使用向量存儲和檢索任務(wù)結(jié)果以獲取上下文。
運(yùn)行起來后的過程可以參考這篇文章：babyagi: 人工智能任務(wù)管理系統(tǒng) https://juejin.cn/post/7218815501433946173
對市面上多智能體框架了解的不多，目前為止，只用過 MetaGPT、AutoGPT，聽過AutoGen。想了解更多的，可以參考這篇文章 基于大語言模型的AI Agents—Part 3（https://www.breezedeus.com/article/ai-agent-part3），里面總結(jié)比較了常見的多智能體框架：
AutoGPT更多的是依賴大模型去進(jìn)行規(guī)劃和行動，個人感覺有點(diǎn)過于依賴大模型的能力了。而目前而言，大模型的能力還遠(yuǎn)沒有達(dá)到能自主規(guī)劃和決策行動的地步，這使得AutoGPT的執(zhí)行結(jié)果非常地不可控，很難達(dá)到自己想要的效果。并且其是單智能體，能完成的工作相對比較簡單。接口也不太好用。
MetaGPT更多的是依賴事先定義好的SOP（標(biāo)準(zhǔn)作業(yè)流程），這使得任務(wù)的執(zhí)行過程變得相對可控，最大限度的保證任務(wù)的正確執(zhí)行。并且可以是多智能體，能執(zhí)行的任務(wù)相對復(fù)雜。接口封裝也比較清晰。尤其是Team、Role和Action三個抽象，真的將Agent抽象為人?？偨Y(jié)起來，MetaGPT的工作流程就像：SOP是制訂了一條標(biāo)準(zhǔn)化的流水線，然后Role是分布在流水線各個位置的打工人，大家各司其職，合作共贏。
Agent因為涉及到多個步驟，而且大模型的能力并沒有我們想象地那么強(qiáng)，如果不加限制，很容易陷入死循環(huán)… 這將是你財富的直接損失… 所以一定要謹(jǐn)慎。正如 BabyAGI里的警告：
