GOAT.AI - Task to AI Agents

Doelgerichte orkestratie van agenttaken. Kortom, AI-agenten zullen met elkaar communiceren om uw taak uit te voeren.

Voorbeeld: "kies volgende maand de beste dag voor een halve marathon van 20 km". AI gaat samenwerken: de weeragent haalt voorspellingen op, de webzoekagent identificeert optimale bedrijfsomstandigheden en de Wolfram-agent berekent de 'beste dag'. Het is de kunst van verbonden AI, die complexe taken met verfijning vereenvoudigt.

LLM’s als centrale mainframe voor autonome agenten is een intrigerend concept. Demonstraties zoals AutoGPT, GPT-Engineer en BabyAGI dienen als eenvoudige illustraties van dit idee. Het potentieel van LLM's gaat verder dan het genereren of voltooien van goedgeschreven kopieën, verhalen, essays en programma's; ze kunnen worden geframed als krachtige General Task Solvers, en dat is wat we willen bereiken bij het bouwen van de Goal Oriented Orchestration of Agent Taskforce (GOAT.AI)

Om een ​​doelgerichte orkestratie van een LLM-agent-taskforce-systeem te laten bestaan ​​en goed te laten functioneren, moeten drie belangrijke kerncomponenten van het systeem goed functioneren

- Overzicht

1) Plannen

- Subdoel en ontleding: de agent deelt grote taken op in kleinere, beheersbare subdoelen, waardoor het gemakkelijker wordt om complexe opdrachten efficiënt af te handelen.

- Reflectie en verfijning: de agent houdt zich bezig met zelfkritiek en zelfreflectie over acties uit het verleden, leert van fouten en verbetert de aanpak voor toekomstige stappen, waardoor de algehele kwaliteit van de resultaten wordt verbeterd.

2) Geheugen

- Kortetermijngeheugen: het verwijst naar de hoeveelheid tekst die het model kan verwerken voordat het antwoord geeft, zonder kwaliteitsverlies. In de huidige staat kunnen de LLM's antwoorden geven zonder enige kwaliteitsvermindering voor ongeveer 128.000 tokens.

- Langetermijngeheugen: hierdoor kan de agent een onbeperkte hoeveelheid informatie voor de context gedurende lange perioden opslaan en oproepen. Dit wordt vaak bereikt door gebruik te maken van een externe vectoropslag voor efficiënte RAG-systemen.

3) Actieruimte

- De agent krijgt de mogelijkheid om externe API's aan te roepen om aanvullende informatie te verkrijgen die niet beschikbaar is in de modelgewichten (die vaak moeilijk te wijzigen zijn na pre-training). Dit omvat het verkrijgen van toegang tot actuele informatie, het uitvoeren van code, het verkrijgen van toegang tot bedrijfseigen informatiebronnen en, het allerbelangrijkste: het inschakelen van andere agenten voor het ophalen van informatie.

- De actieruimte omvat ook acties die niet gericht zijn op het terughalen van iets, maar eerder op het uitvoeren van specifieke acties en het verkrijgen van de daaruit voortvloeiende uitkomst. Voorbeelden van dergelijke acties zijn het verzenden van e-mails, het starten van apps, het openen van voordeuren en meer. Deze acties worden doorgaans uitgevoerd via verschillende API's. Bovendien is het belangrijk op te merken dat agenten ook andere agenten kunnen aanroepen voor actiegerichte gebeurtenissen waartoe zij toegang hebben.