Unleashing the power of AI Collaboration with Parallelized LLM Agent Actor Trees

释放 AI 协作的力量，利用并行化的 LLM 代理 Actor 树

4 分钟阅读

编者按：以下是来自 Cyrus 在 Shaman AI 的客座博客文章。我们使用客座博客文章来突出有趣和新颖的应用，这当然是其中之一。最近有很多关于代理的讨论，但大多数都是围绕单个代理的讨论。如果涉及多个代理，它们也是按顺序调用的。这项工作的创新之处在于它突破了界限，探索了并行工作的多个代理。

重要链接

介绍

近年来，人工智能领域取得了显著进步，人工智能代理现在能够应对复杂的任务。尽管取得了这些进步，但如何有效地并行化和协调多个协同工作的人工智能代理的努力仍然是一个挑战。Agent Actors 的推出 - 这是一种突破性的解决方案，使开发人员能够创建和管理人工智能代理树，这些代理树使用 Actor 并发模型协作处理复杂任务。

在这篇博客文章中，我们将探讨 Actor 并发模型、Agent Actors 的主要功能、它开启的可能性，以及如何开始构建您自己的代理树。我们希望激发 LLM 社区尝试用于自引用 LLM 的新架构。

Actor 并发模型

Actor 并发模型是管理并发计算的强大范例，使其成为 Agent Actors 的理想基础。在 Actor 模型中，“actor”是一个独立的计算实体，它通过异步消息传递与其他 actor 通信。每个 actor 都可以执行任务、创建新的 actor，并发送消息以响应传入的消息。该模型为构建具有并行性的有状态 AI 代理提供了几个优势

  1. 隔离：Actor 是自包含的，封装了它们自己的状态，这可以防止不必要的数据共享或竞争条件。这种隔离确保了每个代理可以独立工作而不会影响其他代理，从而更容易构建和维护并行 AI 系统。
  2. 异步通信：Actor 通过消息传递进行通信，允许它们并发工作，而无需显式同步。这可以更有效地利用系统资源并提高可扩展性。
  3. 容错能力：Actor 模型允许更好的故障隔离和恢复，因为一个 actor 中的错误不会自动传播到其他 actor。这增强了系统的整体鲁棒性，这在管理多个协同工作的人工智能代理时尤其重要。

主要特性和优势

Agent Actors 拥有一系列强大的功能，使构建和管理协作式 AI 代理成为可能

  • 时间加权长期记忆：Agent Actors 利用 langchain.retrievers.TimeWeightedVectoreStoreRetriever 来实现时间加权长期记忆，使代理能够轻松访问相关信息。此功能通过确保始终提供最相关的数据来帮助提高代理输出的质量。
  • 合成工作记忆：代理从他们的记忆中提取见解，并将它们合成为 1-12 个项目的工作记忆，以用于零样本提示。通过维护紧凑的工作记忆，代理可以专注于最重要的信息，从而产生更准确和相关的结果。
  • 计划-执行-检查-调整 (PDCA) 框架：Agent Actors 实施 PDCA 框架以实现持续改进，使代理能够随着时间的推移更有效地工作。通过迭代地改进他们的性能，代理可以随着从经验中学习而产生越来越好的输出，并执行一种趋向于任务完成的梯度下降。
  • 自动规划和任务分配：ParentAgent 类为其子代理规划任务并分配它们以进行并行执行。此功能简化了代理活动的协调，确保任务得到最佳分配以实现最大效率。
  • 代理的并行执行：ChildAgent 并行工作以执行任务和检查结果，确保有效利用资源并加快结果。通过允许代理并发工作，可以更快地解决大型问题，因为独立的线程可以并行处理。
  • 可定制的 AI 代理树：开发人员可以通过嵌套 ParentAgent 或将它们与 ChildAgent 结合使用来创建他们自己的自主 AI 代理树。这种灵活性使开发人员能够创建最适合其特定需求的定制解决方案。

令人兴奋的可能性

Agent Actors 为 AI 协作开启了一个充满可能性的新世界

  1. 分而治之的代理任务执行：将复杂任务分解为更小、更易于管理的任务，并让人工智能代理并行工作以解决它们。通过利用并行化的力量，可以更快、更高效地解决大型问题。
  2. 代理的研究和报告团队：组建人工智能代理团队，以协作完成研究和报告任务。这些团队可以利用他们的集体智慧来生成全面而深刻的分析。
  3. 模拟驱动的组织行为研究：使用代理树来模拟组织行为并获得有价值的见解。这种方法可以帮助识别现实世界组织中的模式和需要改进的领域。
  4. 为您编码的 AutoGPT 开发团队：创建人工智能代理团队，共同为您的项目开发代码。通过在多个代理之间分配编码任务，可以更有效地完成复杂项目。

Agent Actors 入门

学习 Agent Actors 只需要 5 分钟。您需要 Python ^3.10，并且可以使用您喜欢的包管理器（如 Poetry 或 Pipenv）安装它。 查看 README 以获取复制/粘贴说明。安装完成后，您只需 5 分钟即可通过深入研究我们的 test_system.py 文件来学习 Agent Actors。这将帮助您了解如何创建和管理您自己的代理树。

为 Agent Actors 做贡献

Agent Actors 是一个开源项目，我们欢迎社区的贡献，以帮助改进和扩展其功能。您可以贡献的一些领域包括

  • 为计划、执行、检查和调整链开发更好的提示
  • 构建可视化工具，用于探索和组合执行树
  • 评估不同环境下的性能
  • 解锁代理到代理的通信

通过探索 Actor 并发模型并利用并行执行的潜力，Agent Actors 为 AI 协作提供了一种强大的新方法。无论您是希望构建定制代理树的开发人员，还是有兴趣合作创建定制解决方案的公司，Agent Actors 都为 AI 创新提供了一条令人兴奋的新途径。

在 Shaman AI (Twitter)，我们很高兴与正在进行有意义的工作的公司合作，以使用代理树架构改进其工作流程。我们很想了解更多关于您正在做的事情，以及我们如何提供帮助 - 如果您有兴趣合作，请在此处联系！

标签