Самосознание ИИ: Создание адаптивных агентов принятия решений LLM

Андела спонсировала этот пост.

ИИ больше не является просто хрустящим числами или выполнением задач. Мы вступаем в эпоху агентского искусственного интеллекта, где системы не просто делают то, что им говорят, но на самом деле думаем, учится и адаптируется самостоятельно.

Вместо того, чтобы полагаться на постоянный человеческий вклад, эти ИИ могут задуматься о том, что они сделали, выяснить, что сработало (а что не было), и со временем улучшается. Такие инструменты, как GPT-4 и Claude, уже расширили наши горизонты тем, что они могут сделать-независимо от того, отвечает ли это сложные вопросы или написание твердого кода-но настоящий изменяющий игру создает системы ИИ, которые могут расти и адаптироваться в режиме реального времени.

Давайте рассмотрим, как построить саморефлексивные агенты ИИ, которые могут наблюдать за их действиями, настроить их стратегии и выравнивать все самостоятельно, используя лангграф, Openai и петли обратной связи для создания более умных, адаптируемых систем.

Что такое возникающие агентские системы ИИ?

Эффективные агентские системы ИИ меняют игру в искусственном интеллекте. Они созданы для того, чтобы быть автономными, адаптируемыми и способными к обучению и улучшению без постоянного человека. В отличие от традиционного ИИ, застрявшего в одноцелевых задачах, эти системы процветают в отношении независимости и эволюции для решения сложных, непредсказуемых проблем.

Вот как они работают:

• Автономия: Эти системы ИИ принимают решения самостоятельно, используя свою внутреннюю логику, чтобы выяснить следующие лучшие шаги, не требуя постоянного руководства.
• Память: Они помнят прошлые действия, результаты и опыт. Эта память помогает им принимать более разумные решения, основываясь на том, что они узнали со временем.
• Отражение: Они анализируют свои собственные показатели, чтобы стать лучше и эффективнее с каждой задачей.
• Приспособление: Когда все меняется или совершают ошибки, они учатся на этом. Они приспосабливаются и улучшаются, чтобы лучше работать в следующий раз.

Этот усовершенствованный дизайн позволяет экологичным агентским системам ИИ освободиться от повторяющихся, специфичных для задач программирования и вместо этого действует как люди, которые учатся и растут посредством самоанализа. Сочетая эти принципы, они прокладывают путь для интеллектуальных и самодостаточных агентов ИИ, которые могут процветать в непредсказуемой среде.

Примеры использования: самосовершенствование научного сотрудника

Представьте, что помощнику -исследовательскому агенту поручено составить короткий отчет о определенной теме. Процесс состоит в том, чтобы получить информацию, суммировать ее, оценить качество его резюме и уточнить ее до тех пор, пока не будет выполнено порог качества, все автономно.

Обзор системы

Пользовательский ввод: Первоначальный запрос («Напишите отчет об энергии Fusion»).

Агент петля:

• План: Определите подъемы.
• Выполнять: Выполнить подъездные (извлечь, суммировать).
• Отражать: Критика вывода.
• Исправлять: При необходимости вылететь.

Модуль памяти: Хранит выходы и самооценку.

Условие завершения: Остановитесь, когда отражение сочтет достаточным.

Построение агента
Шаг 1: Установите зависимости

PIP установить Langchain Langgraph openai llama-index tiktoken 1 pip install langchain langgraph openai llama-index tiktoken

Шаг 2: Определите компоненты ядра агента

От langchain.chat_models Импорт ChatoPenai из langchain.agents impormize_agent, инструмент от langchain.prompts importtemplate от llama_index import vectorstoreex, SimpleDirectoryReader LLM = ChatoPenai (Model = «GPT-4», температура = 0) 123456 из LLM = chatoPenai (Model = «GPT-4», температура = 0). langchain.agents importize_agent, инструмент отдела langchain.prompts import upporttemplatefrom llama_index import vectorstoreindex, simpledirectoryder llm = Chatopenai (model = «gpt-4», температура = 0)

Шаг 3: Загрузите базу знаний для контекстуальной тряпки (поколение поиска-аугментировки)

Documents = SimpleDirectoryReader («./NAGNE_BASE»). LOAD_DATA () index = vectorStoreIndex.from_documents (документы) Query_Engine = index.as_query_engine () def retreive_info (тема): return Query_engine.query (тема) .Respense 123456 Documents = = SimpleDirectoryReader («./NAGNE_BASE»). LOAD_DATA () index = vectorStoreIndex.from_documents (документы) Query_Engine = index.as_query_engine () def retive_info (тема): return Query_Engine.query (тема).

Шаг 4: Определите функцию планирования

def plan_objectives (task): response = llm.predict (f «разбил задачу» {ask} ‘в 2-4 субобъектива

Шаг 5: Определите функцию выполнения

def execute_objective (Objective): context = retrieve_info (Objective) reffice = f «Использование этого контекста: {context}, напишите параграф о: {Objective}« return llm.predict (rasfor) 1234 def execute_objective (objective): context = retrive_info (Objective) raffic = f ». llm.predict (подсказка)

Шаг 6: Агент отражения

def Refult (output_text): reffice = f «Оценить качество следующего ответа. Будьте критическими, но конструктивными: \ n \ n {output_text} \ n \ nis IT toprate, clear и uppled? Предложите улучшения, если это необходимо». return llm.predict (Приглашение) 123 def Reflect (output_text): reffice = f «Оценить качество следующего ответа. Будьте критическими, но конструктивными: \ n \ n {output_text} \ n \ nis Это точное, ясное и полное? Предложите улучшения, если это необходимо». return llm.predict (подсказка)

Шаг 7: Адаптивный контроллер цикла

def self_improve (задача): цели = plan_objectives (task) report = «» для obj в целях: result = execute_objective (obj) обратная связь = отразить (результат), если «улучшение нуждается» в обратной связи. f «\ n \ n ### {obj} \ n {result}» Отчет о возврате 1234567891011 def self_improve (задача): цели = plan_objectives (задача) отчет = «» для obj в целях: result = execute_objective (obj). print (f «retrying: {obj}») result = execute_objective (obj) отчет += f «\ n \ n ### {obj} \ n {result}» Отчет о возврате

Шаг 8: Запустите полную петлю агента

Query = «Напишите обзор 2 параграфа на энергию Fusion». final_report = self_improve (Query) print («Сгенерированный отчет: \ n», final_report) 123 Query = «Напишите обзор 2 параграфа на энергию Fusion.» final_report = self_improve (Query) print («Сгенерированный отчет: \ n», final_report)

Ключевые особенности этой агентской системы

• Повышенное планирование: LLM динамически разлагает задачи.
• Рассуждение на основе тряпки: Контекст получен из базы знаний.
• Самокритика: Цикл отражения улучшает контент итеративно.
• Адаптируемость: Агент повторно подходит на основе обратной связи.
• Настройка с низким/без кода: Легко изменить структуру и поведение задач.

Продвинутые дополнения

Многоагентное сотрудничество: Разделенные обязанности между агентами (исследователь, писатель, редактор).

Управление потоком Langgraph: Используйте Langgraph для создания потоков задач на основе узлов с условными ветвями.

Действия с инструментом: Добавьте такие инструменты, как поиск API, калькуляторы или анализаторы данных.

Человек в петле (Hitl): Предупреждать человека только тогда, когда падает уверенность LLM.

Метарефлексия: Добавьте конечный агент, который рассматривает сплоченность и тон полного отчета.

Почему это важно

Саморефлексивные агентские системы ИИ расширяют возможности следующих инструментов эволюции, основанных на LLMS (крупные языковые модели). Вместо того, чтобы выступать в качестве пассивных двигателей, эти агенты демонстрируют признаки возникающего интеллекта, имитируя человеческие циклы исполнения и улучшения. Для глобальных организаций эти агенты могут быть использованы для:

• Исследования и суммирование
• Клиентская поддержка
• Обзоры юридических или соблюдений документов
• Персонализированные системы репетиторства

Они уменьшают бремя быстрого инженера и создают возможности для масштабируемых, надежных и объяснимых приложений для ИИ.

Заключение

По мере того, как такие инструменты, как Langgraph и LlamainDex, развиваются и становятся лучше с каждым днем, создавать эти продвинутые агенты проще, чем когда -либо. Начните с малого, дайте вашим агентам место, чтобы отразить и наблюдать, как происходит магия.

Агентные системы ИИ решают отрасли и ведут инновации. Узнайте, как агентские рабочие процессы ИИ могут преобразовать ваш бизнес в руководстве Анделы, создавая автономные системы в Python с агентскими рабочими процессами.

Andela предоставляет крупнейший в мире частный рынок для глобального отдаленного технологического таланта, основанного на платформе с AI для управления полным жизненным циклом найма контракта. Andela помогает компаниям масштабировать команды и быстрее реализовать проекты через специализированные области: App Engineering, AI, облако, данные и аналитика. Узнайте больше последних из Andela Trending Stories youtube.com/thenewstack Tech движется быстро, не пропустите эпизод. Подпишитесь на наш канал YouTube, чтобы транслировать все наши подкасты, интервью, демонстрации и многое другое. Группа подпишитесь с эскизом. Oladimeji Sowole является членом Andela Talent Network, частного рынка для глобальных технологических талантов. Ученый из данных и аналитик данных с более чем 6 -летним профессиональным опытом создания визуализаций данных с различными инструментами и прогнозирующими моделями … Подробнее от Oladimeji Sowole