Andrew Ng : La collaboration multi-agents est la nouvelle clé, et des tâches telles que le développement de logiciels seront plus efficaces

Il n'y a pas si longtemps, Le professeur Andrew Ng de l'Université de Stanford a mentionné l'énorme potentiel des agents intelligents dans son discours, qui a également suscité de nombreuses discussions. Parmi eux, Ng Enda a expliqué que le flux de travail d'agent construit sur la base de GPT-3.5 fonctionne mieux dans les applications que GPT-4. Cela montre qu'il n'est pas forcément conseillé de se limiter aux grands modèles, et que l'agent peut être meilleur que le modèle de base qu'il utilise.

Dans le domaine du développement logiciel, ces agents ont démontré leurs capacités uniques à collaborer efficacement, à gérer des problèmes complexes de programmation et même à générer automatiquement du code. Les dernières tendances technologiques montrent que la communication intelligente IA présente un grand potentiel dans le développement de logiciels. Tu te souviens de Devin ? Connu comme le premier ingénieur logiciel d'IA au monde, il nous a étonnés lorsqu'il est apparu. Un seul agent peut nous apporter une telle expérience. Si plusieurs agents coopèrent, la valeur de l'expérience peut-elle être directement maximisée ?

Imaginez une équipe de plusieurs agents, chaque membre étant spécialisé dans une tâche spécifique, telle que la révision du code, la détection d'erreurs ou la mise en œuvre de nouvelles fonctionnalités. Ces entités intelligentes peuvent se compléter mutuellement et promouvoir conjointement l'avancement des projets logiciels. Cela ne libérerait-il pas les mains des programmeurs et n'aurait-il plus à se soucier de la ténosynovite ?

Andrew Ng a écrit un article qui nous plonge en profondeur dans ce domaine et explore les derniers développements en matière de systèmes intelligents. C’est dans ce contexte que des outils tels qu’AutoGen et LangGraph mentionnés dans l’article ont vu le jour. Ces outils sont conçus pour aider les développeurs à déployer et à gérer plus facilement les agents IA afin de réaliser leur plein potentiel. Grâce à leur puissance, même les personnes sans solide expérience en programmation peuvent tirer parti des agents d’IA pour optimiser et automatiser les processus de développement de logiciels. Ce qui suit est la compilation et la traduction de « Heart of the Machine » sans changer le sens original.

Lien original : https://www.deeplearning.ai/the-batch/issue-245/

La collaboration entre agents sont les quatre agents clés de l'IA que j'ai décrits dans mes récentes lettres. les modèles de conception. Pour les tâches complexes telles que l'écriture de logiciels, une approche multi-agent divise la tâche en sous-tâches exécutées par différents rôles (tels que les ingénieurs logiciels, les chefs de produit, les concepteurs, les ingénieurs QA, etc.) et permet à différents agents d'effectuer différentes tâches.

Différents agents peuvent être créés en fournissant un LLM (ou plusieurs LLM) pour effectuer différentes tâches. Par exemple, pour créer un agent d'ingénieur logiciel, nous pourrions fournir le LLM : "Vous êtes un expert dans l'écriture de code clair et efficace. Veuillez écrire du code pour effectuer des tâches...".

Nous appelons plusieurs fois le même grand modèle de langage (LLM), mais nous adoptons une approche d'abstraction de programmation multi-agents, ce qui peut sembler contre-intuitif, mais il y a plusieurs raisons de le soutenir :

1. Ça marche ! De nombreuses équipes ont utilisé cette approche avec succès, et rien n’est plus convaincant que les résultats. De plus, des études d'ablation (comme dans l'article AutoGen) montrent que le multi-agent surpasse un seul agent.
2. Bien que certains LLM actuels puissent accepter des contextes de saisie très longs (par exemple, Gemini 1.5 Pro peut accepter 1 million de jetons), leur capacité à véritablement comprendre des entrées longues et complexes est inégale. Adoptez un flux de travail d'agent et laissez LLM se concentrer sur une chose à la fois pour obtenir de meilleures performances.
3. Plus important encore, le modèle de conception multi-agent fournit aux développeurs un cadre pour décomposer des tâches complexes en sous-tâches. Lorsque nous exécutons du code sur un seul processeur, nous divisons souvent le programme en différents processus ou threads. Cette abstraction nous aide à diviser la tâche en sous-tâches plus faciles à coder. Penser en termes de rôles multi-agents est également une abstraction utile.

Dans de nombreuses entreprises, les managers décident souvent pour quels postes embaucher, puis comment diviser des projets complexes - comme l'écriture d'un morceau de logiciel ou la préparation d'un rapport de recherche - en tâches plus petites assignées à des personnes avec des employés ayant des compétences différentes. compétence. L'utilisation de plusieurs agents fonctionne de la même manière. Chaque agent implémente son propre flux de travail et possède sa propre mémoire (qui est elle-même un domaine en croissance rapide dans la technologie des agents : comment un agent se souvient de suffisamment d'interactions passées pour mieux effectuer les tâches futures), et peut éventuellement demander l'aide d'autres agents. Les agents peuvent également planifier et utiliser des outils. Cela générera un grand nombre d’appels LLM et de transfert d’informations entre agents, ce qui peut former un flux de travail très complexe.

Bien que gérer des personnes soit difficile, c'est quelque chose que nous connaissons très bien et qui fournit un cadre mental sur la façon dont nous « embauchons » et attribuons des tâches à nos agents IA. Heureusement, les dégâts d’une mauvaise gestion d’un agent IA sont bien moindres que d’une mauvaise gestion d’un être humain !

Les frameworks émergents comme AutoGen, Crew AI et LangGraph fournissent de riches solutions multi-agents pour résoudre les problèmes. Si vous souhaitez jouer avec des systèmes multi-agents amusants, consultez ChatDev, une implémentation open source d'un ensemble d'agents qui gère des sociétés de logiciels virtuels. Vous pouvez consulter leur dépôt GitHub, peut-être cloner le dépôt et exécuter le système vous-même. Même s’il ne produit pas toujours les résultats souhaités, vous pourriez être surpris par ses performances.

Tout comme la planification de ce modèle de conception, je trouve que la qualité du résultat de la collaboration multi-agents est difficile à prédire, surtout lorsqu'on permet aux agents d'interagir librement et qu'on leur fournit plusieurs outils. Des modèles de réflexion et d’utilisation d’outils plus matures sont plus fiables. J'espère que vous apprécierez jouer avec ces modèles de conception d'agent et qu'ils vous donneront des résultats étonnants ! Si vous souhaitez en savoir plus, vous pouvez lire l'article suivant :

• Titre de l'article : Agents communicatifs pour le développement de logiciels
• Lien de l'article : https://arxiv.org/pdf/2307.07924. pdf

• Titre de l'article : AutoGen : Enabling Next-Gen LLM Applications via Multi-Agent Conversation
• Lien de l'article : https://arxiv.org/pdf/2308.08155.pdf

• Titre de l'article : METAGPT : META PROGRAMMING FOR A MULTI-AGENT COLLABORATIVE FRAMEWORK
• Lien de l'article : https://arxiv.org/pdf/2308.00352.pdf

Plus détails Pour le contenu, veuillez lire le texte original.

Après avoir lu cet article, les internautes ont été grandement inspirés. Cependant, certains internautes ont souligné que la stabilité et la prévisibilité des systèmes multi-agents lors de l'exécution de tâches identiques ou similaires doivent être prises en compte. Selon vous, quels sont les avantages et les inconvénients de la collaboration multi-agents ?

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!