作者 | Vasek Mlejnsky

編譯 | 言征

出品 | 51CTO技術棧（微信號：blog51cto）

構建人工智能代理很難。你將與幻覺作斗爭，讓agents智商不掉線，并引導他們使用正確的工具。

不過，方法也不難，其中一種就是賦予代理代碼執(zhí)行能力。

以下是為什么你的人工智能代理應該有一個代碼解釋器的一些原因。

一、額外技能

具有代碼解釋器的代理可以獲得諸如對CSV文件執(zhí)行統(tǒng)計分析或繪制圖表之類的功能。

當你向不同的代理請求相同的東西時，很明顯，那些具有底層代碼解釋器的代理有多大的不同。如果不運行代碼，幾乎不可能完成以下任務：

• 分析NVIDIA的股票并預測其發(fā)展。
• 和人一起玩撲克游戲。
• 訂一張機票。

我們先來看一下Perplexity（一個沒有代碼解釋器的代理）如何處理數據分析任務。即使提供了數據文件，代理也無法完成任務——它所能做的最好的事情就是提供關于應該運行什么代碼的建議。

圖片

以下是帶有底層代碼解釋器的ChatGPT將如何處理相同的任務…

圖片

…還包括安裝新軟件包和生成圖表。

圖片

請注意，最終用戶不需要意識到應用程序在幕后執(zhí)行編碼任務，因為主要目標（如“為我預訂航班”）通常不圍繞編碼。

二、復雜推理

大型語言模型（LLM）擅長生成文本，但難以進行推理和復雜思考。

谷歌的團隊對丹尼爾·卡尼曼的名著《思考，快與慢》進行了有趣的類比。執(zhí)行代碼的能力使代理具有慢思考（努力、邏輯和計算）與快思考（直覺和自動）的能力，并通過代理在沒有代碼解釋器的情況下的行為來表示。

在他們的類比中，完全依賴LLM的代理可以被認為是在沒有慢思考的情況下操作，即在沒有深入思考的情況下來快速生成文本。下面是一個例子，說明即使是簡單的任務也可能需要一些系統(tǒng)，而不能憑直覺回答。

圖片

三、減少LLM幻覺

最近的一篇論文證實，即使在給出推理提示的情況下，LLM也會對多步驟任務產生幻覺。作為論文研究結果的后續(xù)，一位軟件工程師展示了使用代碼解釋器式LLM引擎如何成功地將幻覺減少一個數量級。他發(fā)現(xiàn)，代碼解釋器可以將GPT-4幻覺率從<10%降低到<1%。

代碼解釋器可以處理上傳和下載，編寫代碼從源文件中查找數據并得出結論，而不是像更簡單的代理通常那樣自由推理。

對抗LLM幻覺的其他方法包括RAG、微調和增加LLM上下文窗口的大小。

四、自己測試代碼

另一個巨大的挑戰(zhàn)是LLM代碼的生成。當代理不僅可以生成代碼，還可以在運行代碼時，它就能夠測試自己輸出的功能并對其進行迭代。

五、使用代碼解釋器構建

作為圍繞LLM構建的新生態(tài)系統(tǒng)的一部分，我們將看到代碼解釋器為更多的人工智能代理和應用程序提供動力，在LLM中，代碼解釋器代表了代理大腦的關鍵部分。有關構建的靈感，不妨參閱流行的開源產品，如Open Interpreter或AutoGen。

圖片

當然，仍然有一些挑戰(zhàn)需要克服，例如找到一種安全和最佳的方式來運行LLM生成的代碼，這可以通過在獨立的云環(huán)境中執(zhí)行進程來解決。

?本文轉載自51CTO技術棧，作者：言征