#程序员

利用 AutoGPT/LangChain/SuperAGI 等,可以让 LLM 帮助解决复杂的问题,但也有一个致命的通病:由于接受的指令相对简单,随着任务的自主规划和执行,过程中一旦出现微小偏差,最后的结果就会滚雪球似的,离预期越来越远。

一个解法是,在指令下发之初,对要执行的任务做十分详尽的描述,告诉 LLM 第一步到第十步分别要做啥,因此我们经常会看到各种复杂且严苛的 Prompt,还会利用 One-Shot/Few-Shot 帮助大模型做输出结果的矫正,虽然可以一定程度解决问题,但这个做法也限制了 LLM 的创造力,同时,由于任务的复杂性,仍然存在偏离任务目标的可能。

看到这个论文提供了一个思路,https://arxiv.org/pdf/2309.07870.pdf,“Agents 框架探索了通过结合基于推理图的符号主义 (symbolism) 推理和基于 LLM 的连接主义 (connectionism) 推理,来结合高层次的世界模型知识和低层次的简单推理泛化能力,从而实现更智能更可控的通用人工智能 (AGI) 方案”。详情可以参阅这篇文章:https://www.jiqizhixin.com/articles/2023-09-21-2

简单来说,就是在进行下一步任务的时候,回顾目标和初始计划,结合环境信息,利用大模型的推理能力来动态决定状态的转移和下一个行动的 Agent 是哪个。

这个解决思路有点像动态规划算法,在问题求解过程中考虑不同状态和决策,只不过 Agents 框架更侧重于处理复杂的智能决策和动态环境,而不仅仅是静态优化问题,也算得上一次创新了。

这篇论文对应的工程实践也在 github 上开源了:https://github.com/aiwaves-cn/agents,如果你要利用 LLM 解决复杂且庞大的问题,这个思路值得一试。
 
 
Back to Top