상위 4 개의 에이전트 AI 설계 패턴

AI 모델의 자율 학습 능력 : 프로그래밍 언어 이상의 학습 방법

학습은 인간과 AI 모델 모두에게 지속적인 과정입니다. 그러나 일반적인 질문은 이러한 AI 모델이 인간처럼 독립적으로 배울 수 있는지 여부입니다. 최신 개발에 따르면 - 그들은 할 수 있습니다 . 이를 더 잘 이해하기 위해 C, Java 및 Python이 컴퓨터 과학 분야에서 마스터하는 데 필요한 주요 프로그래밍 언어 였을 때 대학으로 돌아 갑시다. 이러한 언어를 배우려면 문법, 의미론, 실제 응용 및 문제 해결에 대한 이해가 필요합니다. 따라서 이러한 언어를 마스터하기 위해 우리는 지속적인 연습 (또는 훈련을 받았다고 말할 수 있음)을 수행했습니다. 또한, 우리는 반 친구와 교수들로부터 많은 것을 배웠습니다. 마찬가지로, 인간이 자신의 사고, 전문 지식 및 기타 미디어에서 배울 수있는 것처럼 LLM (Lange Language Models)도 그렇게 할 수 있습니다.

그러나 인간과 LLM이 전문 지식을 습득하거나 특정 분야의 전문가가되기가 어려운 여정입니다. 우리는 인간의 학습과 추론 능력뿐만 아니라 의사 결정 및 완료 작업의 능력을 이해하지만 LLM의 교육 과정은 어떤가요?

나는 이것을 말할 수있다 :

1. 먼저 LLM에 대한 사전 훈련입니다. 이 단계에서는 모델이 문법, 문장 구조 및 단어와 개념의 관계와 같은 패턴을 학습하도록 도와줍니다.
2. 지침 미세 조정 (또는 미세 조정) : 모델을 미세 조정하려면 명령 예제와 원하는 응답이 포함 된 선택된 데이터 세트를 사용하십시오.
3. 인간 피드백 (RLHF)을 기반으로 한 강화 학습 : 인간 평가자는 모델의 반응을 평가하며, 이는 사용자 기대에 따른 모델의 일관성을 향상시키는 데 더 많이 사용됩니다.

이것은 의미가 있습니까? 그러나 모든 수표를 독립적으로 수행하는 동안 모델이 배우고 출력을 제공하기 위해 자율 워크 플로우를 구축하면 어떨까요? 그것은 수동 개입없이 모든 일을 할 수있는 개인 비서를 갖는 것과 같습니다. 또한이 기사에서는 AI 시스템을 구축하는 데 사용되는 4 가지 자율 AI 설계 패턴에 대해 설명합니다.

• 독립적 인 AI 반사 모델은 무엇입니까?
• 자율 AI 도구의 사용 모드는 무엇입니까?
• 자율 AI 계획 모델은 무엇입니까?
• 자율 AI 다중 에이전트 모델은 무엇입니까?

개요

• 이 기사에서는 AI 모델, 특히 GPT 와 같은 LLM (LAGE Language Model)이 인간 반복 문제를 시뮬레이션하는 자율 워크 플로를 채택하여 주요 학습에서 어떻게 올 수 있는지에 대해 설명합니다.
• 자율 워크 플로우는 인간이 더 나은 결과를 위해 자신의 작업을 반복적으로 조사하고 개선하는 방식과 유사하게 점차적으로 정제하여 AI 성능을 향상시킵니다.
• 반사, 도구 사용, 계획 및 다중 에이전트 협업과 같은 4 가지 주요 자율 설계 패턴이 AI 시스템을보다 자율적이고 유능하게 만들기위한 전략으로 도입되었습니다.

목차

• 개요
• 독립적 인 디자인 모델이란 무엇입니까?
• 독립 설계 모드 : 평가
• 4 가지 독립적 인 디자인 모드를 알아야합니다
  • 반사 모드
  • 도구 사용 모드
  • 계획 모드
  • 멀티 에일 모드
• 결론적으로
• 자주 묻는 질문

독립적 인 디자인 모델이란 무엇입니까?

자율 설계 모델은 LLM을보다 자율적으로 만들기위한 솔루션으로 도입되었습니다. 모델에 대한 힌트를 제공하고 최종 답변 (예 : 종이 작성과 같은)을 기대하는 대신, LLM을 여러 번 단계별로 자극하는 프록시와 같은 접근 방식을 사용하는 것이 좋습니다. 각 단계는 작업을 향상시키고 모델은 출력을 반복적으로 향상시킵니다.

이것을 더 잘 이해하려면 다음과 같이 살펴 보겠습니다.

LLM을 제로 샘플 모드로 프롬프트하면 누군가에게 수정하지 않고 한 번에 이야기를 쓰도록 요청하는 것과 같습니다. LLM은 이것에서 훌륭한 일을하지만 더 잘할 수 있습니다. 프록시와 같은 워크 플로를 사용하면 LLM을 여러 번 단계별로 제출할 수 있습니다. 각 단계는 이전 단계에서 구축되므로 응답이 향상됩니다. LLM이 기사를 여러 번 확인하고 각 점검에서 개선해야한다고 생각하십시오.

각 단계는 다음을 의미합니다.

자율 워크 플로를 사용하여 코드를 작성하는 예를 들어 보겠습니다.

1. 계획 코드의 개요 : 작업을 작은 모듈 또는 기능으로 분류합니다.
2. 정보 및 컨텐츠 수집 : 연구 라이브러리, 알고리즘 또는 기존 솔루션. 필요한 경우 인터넷을 검색하거나 문서를보십시오.
3. 코드의 첫 번째 초안을 작성하십시오 : 완벽보다는 구조에 중점을 둔 기본 기능을 구현하십시오.
4. 코드의 비 효율성 또는 오류를 확인하십시오. 불필요한 코드, 오류 또는 논리적 결함을 확인하십시오.
5. 코드 수정 : 명확성을 향상시키기 위해 리팩터, 최적화 또는 주석을 추가하십시오.

코드가 효율적이고 간결 할 때 까지이 프로세스를 반복하십시오.

모델이 이러한 단계를 독립적으로 완료 할 수있게함으로써 자율 설계 패턴은 인간과 같은 추론과 효율성을 향상시킵니다. 이것은 인간이 복잡한 작업을 무너 뜨리고, 정보를 수집하고, 개선하며, 최종 결과가 만족 스러울 때까지 반복하는 방식과 유사합니다. 이제 독립 디자인 모델에 대해 자세히 알아 보겠습니다.

독립 설계 모드 : 평가

Andrew Ng가 공유 한 서한에서, AI 중심 코드 생성이 GPT-3.5 및 GPT-4와 같은 모델의 성능에 특히주의를 기울여 진전을 이루었다는 분석 이 지적되었다. 평가의 초점은 잘 알려진 HumaneVal 코딩 벤치 마크에서 이러한 모델의 기능에있어 코드를 작성하는 알고리즘의 능력을 평가하는 일반적인 표준입니다.

제공된 데이터는 AI 에이전트를 사용한 AI 인코딩 기능의 진화를 보여줍니다. GPT-3.5는 48.1% 정확도로 제로 샘플 설정 (즉, 사전 예제 없음)에서 테스트되었습니다. 제로 샘플 모드에서도 평가 된 GPT-4는 67.0%의 성공률로 상당한 개선을 보여 주었다. 그러나 분석에서 강조 표시되는 것은 이러한 모델이 반복 에이전트 워크 플로 (자율 워크 플로)에 통합되는 방법입니다. GPT-3.5가 이러한 프록시 루프에 포함되면 정확도는 인상적인 95.1%로 솟아 오르고, 기준선을 훨씬 능가하고 심지어 인적 수준의 코딩 기능에 접근합니다.

이 결과는 AI 모델 의 성능을 향상시키는 데있어 반복 워크 플로 (자율 워크 플로)의 변형 가능성을 강조하며, AI 지원 코딩의 미래는 모델 크기 또는 아키텍처의 개선보다 더 발전하고 적응 가능한 프레임 워크에 더 의존 할 수 있음을 시사합니다.

그러나 어느 자율 설계 모델이 AI 시스템에 대한 자율 대표단을 완료하여 더 독립적이고 효과적으로 행동 할 수 있습니까? 이러한 패턴은 AI 에이전트를 구축하여 작업을 수행하고 결정을 내리고 다른 시스템과보다 인간과 같은 자율적 인 방식으로 의사 소통하여 궁극적으로 정통하고 신뢰할 수있는 응용 프로그램을 만듭니다.

4 가지 독립적 인 디자인 모드를 알아야합니다

자율 AI 및 주요 설계 패턴에서 각 패턴이 GPT와 같은 LLM (Lange Language Model)이 어떻게 자율적이고 효율적으로 작동하도록하는 방법을 이해하는 것이 중요합니다. 이러한 설계 패턴은 자체 평가, 도구 통합, 전략적 사고 및 협업을 장려함으로써 AI의 한계를 겪습니다. 이러한 모델의 실행 방식을 형성하고 복잡한 작업을 수행하는 4 가지 중요한 자율 설계 패턴을 살펴 보겠습니다.

다음은 독립적 인 설계 패턴의 유형입니다.

1. 반사 모드

반사 모델은 AI가 자체 출력을 평가하고 향상시키는 능력을 향상시키는 데 중점을 둡니다. LLM이 인간 검토 자처럼 생성 된 내용이나 코드를 검토하고, 오류, 갭 또는 개선이 필요한 영역을 식별 한 다음 개선을위한 제안을한다고 상상해보십시오.

이 자기 비판의주기는 단일 반복에 국한되지 않습니다. AI는 개선되고 완벽한 결과를 얻기 위해 필요에 따라 여러 번 프로세스를 반복 할 수 있습니다. 예를 들어, 작업이 소프트웨어를 작성하는 경우 LLM은 초기 버전을 생성하고 자체 논리와 구조를 비판하고 코드를 수정할 수 있습니다. 반복적 인 반사 특성은 시간이 지남에 따라 더 강력하고 신뢰할 수있는 출력을 생성합니다.

이 패턴은 컨텐츠 생성, 문제 해결 또는 코드 생성과 같은 정밀도가 필요한 작업에 특히 유용합니다. 이 접근법을 사용하면 셀프 가이드 수정을 통해 모델의 정확성과 신뢰성을 향상시킬 수 있습니다.

흥미로운 예는 자기 반사 걸레입니다. 자체 규모는 검색 및 자기 반성을 텍스트 생성 프로세스에 통합하여 언어 모델의 품질 및 사실 정확도를 향상 시키도록 설계된 프레임 워크입니다. 기존의 검색 강화 생성 (RAG) 모델은 관련된 검색된 단락을 결합하여 응답을 향상 시키지만 일반적으로 소음이나 관련성이없는 콘텐츠를 도입 할 수있는 관련성에 관계없이 고정 된 수의 문서를 검색합니다. 자체 규모는 생성 된 컨텐츠를 기반으로 정보를 동적으로 검색하고 반사 마커를 사용하여 생성의 품질을 평가하는 적응 적 접근법을 통해 이러한 한계를 해결합니다.

자조 반사를 사용하는 방법?

자체 규모는 관련성, 지원 및 전반적인 유틸리티와 같은 텍스트 생성의 다양한 측면을 평가하는 데 사용되는 "반사 마커"를 통해 자체 반사 메커니즘을 결합합니다. 생성 과정에서 모델은 검색이 필요한지 평가하고 다른 단계에서 자신을 비판하여 생성 된 컨텐츠의 품질을 평가합니다.

이해하기 쉬운 차트는 다음과 같습니다.

• 전통적인 래그는 먼저 고정 된 수의 문서를 검색하는 반면, 자조는 생성되는 컨텐츠를 기반으로 동적 검색을 수행합니다.
• 자조는 여러 생성 된 조각을 평가하고 품질을 비판하며 가장 정확한 정보를 선택적으로 결합합니다.
• 자조의 반복 과정은 점차적으로 생성을 향상시키고 출력의 정확성과 상관 관계를 향상시킬 수 있습니다.

요컨대, 자체 경주는 자기 반성과 개선의 추가 계층을 추가하여보다 신뢰할 수 있고 정확한 답변을 제공합니다.

2. 도구 사용 모드

도구 사용 패턴은 LLM이 외부 도구 및 리소스와 상호 작용하여 문제 해결 기능을 향상시켜 기능을 크게 확장합니다. 이 패턴을 따르는 AI는 내부 컴퓨팅 또는 지식에만 의존하지 않으며 데이터베이스에 액세스하고 네트워크를 검색하며 Python과 같은 프로그래밍 언어를 통해 복잡한 기능을 실행할 수 있습니다.

예를 들어, LLM은 네트워크에서 데이터를 검색하고 데이터를 분석하며 특정 쿼리의 출력에 통합하라는 메시지가 표시 될 수 있습니다. 또는 통계를 계산하거나 이미지를 생성하거나 스프레드 시트 (간단한 텍스트 생성 이외의 작동)를 작동하는 작업을 할당 할 수 있습니다. 도구 사용을 결합함으로써 LLM은 정적 지식 기반에서 외부 시스템과 상호 작용하여 목표를 달성 할 수있는 동적 프록시로 발전했습니다.

이 모델은 AI 시스템 이보다 복잡하고 다각적 인 작업을 처리 할 수 ​​있기 때문에 강력하며, 내부 지식만으로도 유틸리티를 실제 응용 프로그램으로 확장하기에 충분하지 않습니다.

3. 계획 모드

계획 모델을 통해 LLM은 크고 복잡한 작업을 더 작고 관리하기 쉬운 구성 요소로 분류 할 수 있습니다. 계획을 통해 에이전트는 요청에 응답하고 목표 달성에 필요한 단계를 전략적으로 구축 할 수 있습니다.

LLM은 계획 모드를 사용하여 문제를 일시적이고 일시적으로 처리하지만 대신 작업을 완료하는 가장 효율적인 경로를 결정하기 위해 하위 작업 로드맵을 만듭니다. 예를 들어, 인코딩 할 때 LLM은 먼저 전체 구조를 요약 한 다음 다양한 기능을 구현합니다. 이것은 혼란 스럽거나 비틀어지고 논리를 돌리고 AI가 주요 목표에 초점을 맞 춥니 다.

React (추론 및 행동) 및 Rewoo (열린 온톨로지와의 추론)는 의사 결정과 상황에 대한 추론을 계획 프로세스에 통합 하여이 접근법을 더욱 확장합니다. React는 LLM이 추론 (사고 문제)과 행동 (특정 작업 실행)을 동적으로 전환하여보다 적응력 있고 유연한 계획을 가능하게합니다. 이 두 단계를 결합함으로써 LLM은 반복적으로 접근 방식을 개선하고 발생하는 예기치 않은 도전을 해결할 수 있습니다.

반면 Rewoo는 오픈 월드 온톨로지를 사용하여 추론을 안내함으로써 계획 패턴을 향상시킵니다. 이는 LLM이 다양한 분야에서 더 넓은 범위의 상황 정보와 지식을 결합하여 더 똑똑한 결정을 내릴 수 있음을 의미합니다. Rewoo를 사용하면 AI가 새로 획득 한 정보 또는 변화하는 요구를 충족시키기 위해 계획을 실시간으로 조정하여 더 강력하고 포괄적 인 문제 해결 방식을 보장 할 수 있습니다.

전반적으로, 계획 모드, 반응 및 Rewoo는 LLM이 구조적이지만 적응력이 높은 방식으로 복잡한 작업을 처리 할 수 ​​있으므로 효율적이고 목표 지향적 실행을 가능하게합니다.

또한 구조화 된 계획 (또는 "사용자 요청 요약")을 생성하면 AI가 모든 단계를 추적하고 더 넓은 범위의 작업을 무시하지 않도록합니다. 이 접근법은 특히 복잡한 문제 해결 또는 다단계 프로젝트에서 더 높은 품질과 결과의 일관성을 보장합니다.

4. 다중 집합 모드

다중 에이전트 모델은 인간 팀의 프로젝트 관리와 유사하게 대표단 개념을 기반으로합니다. 이 패턴은 다른 에이전트 (특정 역할 또는 함수가있는 LLM 인스턴스)를 다른 하위 작업에 할당하는 것을 포함합니다. 이 에이전트는 지정된 작업을 독립적으로 처리하고 통합 된 결과를 달성하기 위해 의사 소통 및 협력 할 수 있습니다.

다중 에이전트 모드에는 여러 가지 유형이 있습니다.

1. 협업 에이전트 : 여러 에이전트가 함께 작업하여 작업의 여러 부분을 처리하고 진행 상황을 공유하며 통합 결과를 향해 노력합니다. 각 에이전트는 다른 필드를 전문으로 할 수 있습니다.
2. 감독 에이전트 : 중앙 감독 에이전트는 다른 에이전트를 관리하고 활동을 조정하며 결과를 확인하여 품질을 보장합니다.
3. 계층 적 팀 : 고급 에이전트가 저수준 에이전트를 감독하고 결정을 복잡한 작업을 완료하기 위해 모든 수준에서 발행하는 구조화 된 시스템.

이 콘텐츠에 대한 자세한 내용은 다중 에이전트 협업을 방문하십시오.

예를 들어, 텍스트 분석 및 수치 계산이 필요한 시나리오에서 두 개의 독립적 인 에이전트가 각 작업을 처리하여 결과를 공유하여 포괄적 인 솔루션을 형성 할 수 있습니다. 한 에이전트는 컨텍스트를 이해하는 데 중점을 둘 수 있고 다른 사람은 데이터를 처리하고 함께 포괄적 인 응답을 제공합니다. 이 패턴은 특히 여러 기술이 필요한 대규모 또는 복잡한 문제를 다루는 데 특히 효과적입니다.

요컨대, 다중 기관 모델은 인간이 다양한 전문 분야에서 협력하는 방식을 반영하여 각 에이전트가 강점에 중점을 두면서 더 큰 조정 된 노력에 기여합니다.

이 네 가지 독립적 인 디자인 모델을 마스터함으로써 개발자와 사용자는 AI 시스템의 잠재력을 최대한 발휘할 수 있습니다. 반사 모델은 자체 평가를 통해 정확성과 품질을 향상 시키며,이 도구는 모델을 사용하여 동적 실제 상호 작용을 달성하고, 계획 모델은 복잡한 작업을 해결하기위한 로드맵을 제공하며, 다중 에이전트 협업을 통해 여러 에이전트가 효과적으로 작동하고 공동 작업 할 수 있습니다. 전반적 으로이 모델은 실제 문제를 충족시킬 수있는 더 똑똑하고 자율적 인 AI 시스템을 구축하기위한 토대를 마련했습니다.

결론적으로

자율 설계 모델은 AI 모델 (특히 대형 언어 모델 (LLMS) )을보다 자율적이고 효율적으로 만드는 데있어 자율 워크 플로의 혁신적 잠재력을 강조합니다. GPT-3.5 및 GPT-4와 같은 모델은 제로 샘플 작업에서 잘 작동하지만 반복적 인 자율 워크 플로우와 관련하여 정확도와 효과가 크게 향상되었다고 설명합니다. 이 접근법을 통해 모델은 작업을 분해하고, 자기 평가하고, 외부 도구를 활용하며, 전략 계획을 수행하며, 다른 에이전트와 협력하여 문제 해결 기능을 향상시킬 수 있습니다.

이 기사는 이러한 자율 워크 플로의 기초를 형성하는 4 가지 주요 설계 패턴 (반사, 공구 사용, 계획 및 다중 기관)을 소개합니다. 이러한 패턴은 AI의 한계를 뚫고 인간이 복잡한 작업을 다루는 것처럼 AI 시스템이보다 독립적이고 지능적으로 실행할 수 있도록합니다. 이는 미래의 AI 발전이 모델의 크기를 높이고보다 적응력 있고 전략적인 워크 플로를 개발하는 데 달려 있음을 시사합니다.

자율 설계 패턴에 관한이 일련의 기사에서는 반사, 공구 사용, 계획 및 다중 기관과 같은 각 설계 패턴을 자세히 탐색하여 AI 시스템을보다 자율적이고 유능하게 만드는 방법을 보여줍니다.

계속 지켜봐주세요 !!!

자율 AI Pioneer 프로그램을 탐색하여 프록시 AI에 대한 이해를 심화시키고 잠재력을 최대한 활용하십시오. 혁신적인 통찰력과 응용 프로그램을 발견하는 여정에 참여하십시오!

자주 묻는 질문

Q1. AI의 독립 설계 모델은 무엇입니까? **** A : 자율 설계 모델은 AI 시스템 (특히 대형 언어 모델 (LLMS))을보다 자율적이고 효과적으로 만드는 데 사용되는 전략입니다. 이러한 패턴을 통해 AI는 인간과 같은 문제 해결 및 추론 프로세스를 시뮬레이션하여 작업을 수행하고 결정을 내리고 다른 시스템과 더 독립적으로 상호 작용할 수 있습니다. 주요 모델에는 반사, 공구 사용, 계획 및 다중 에이전트 협업이 포함됩니다.

Q2. 반사 모드는 AI 성능을 어떻게 향상 시키는가? **** A : 반사 모델은 AI가 자체 평가하고 출력을 향상시키는 능력을 향상시킵니다. AI는 자신의 작업을 반복적으로 검토함으로써 오류, 차이 또는 개선이 필요한 영역을 반복적으로 고정하여 수정해야합니다. 이 패턴은보다 정확하고 신뢰할 수있는 결과를 생성하는 데 도움이되므로 코드 생성 또는 컨텐츠 생성과 같이 정밀도가 필요한 작업에서 특히 유용한 것으로 입증되었습니다.

Q3. AI 워크 플로에서 도구 사용 패턴을 사용하면 어떤 이점이 있습니까? **** A : AI가 외부 도구 및 리소스와 상호 작용할 수 있도록하여 공구 사용 패턴은 AI의 기능을 확장합니다. AI는 내부 지식에만 의존하지 않으며 데이터베이스에 액세스하거나 웹 검색을 수행하거나 Python과 같은 프로그래밍 언어를 사용하여 기능을 실행할 수 있습니다. 이로 인해 AI는보다 다재다능하고 기존 데이터를 넘어 정보 또는 컴퓨팅이 필요한 복잡한 작업을 처리 할 수 ​​있습니다.

Q4. 계획 모드는 LLM이 복잡한 작업을 처리하는 데 어떻게 도움이됩니까? **** A : 계획 모드를 사용하면 AI 모델이 복잡한 작업을 더 작고 관리하기 쉬운 단계로 분류하여 문제 해결을위한 로드맵을 만듭니다. 이 접근법은 주요 목표에 초점을 유지하고 효율적인 작업 실행을 보장하는 데 도움이됩니다. React (추론 및 행동) 및 Rewoo (열린 온톨로지와의 추론)와 같은 변형은 의사 결정 및 적응 전략을 결합하여 AI가 새로운 정보의 출현에 따라 접근 방식을 동적으로 개선 할 수 있도록합니다.

위 내용은 상위 4 개의 에이전트 AI 설계 패턴의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!