ChatGPT的引入使得大型語言模型(LLM)在技術行業和非技術行業都得到了廣泛應用，這種普及主要歸因于兩個因素：

1. LLM作為知識寶庫：LLM基于海量的互聯網數據進行訓練，并定期更新(即GPT-3、GPT-3.5、GPT-4、GPT-4o等)。

2. 涌現能力：隨著LLM的發展，它們展現出小型模型中不具備的能力。

這是否意味著我們已經達到了人類水平的智能，即我們所說的AGI?Gartner將AGI定義為一種能夠在廣泛的任務和領域中理解、學習和應用知識的AI形式。通往AGI的道路還很漫長，其中一個關鍵障礙是LLM訓練的自回歸性質，這種性質基于過去的序列來預測單詞。作為AI研究的先驅之一，Yann LeCun指出，由于自回歸性質，LLM可能會偏離準確答案，因此，LLM存在幾個局限性：

? 知識有限：盡管訓練數據龐大，但LLM缺乏最新的世界知識。

? 推理能力有限：LLM的推理能力有限，如Subbarao Kambhampati所指，LLM是優秀的知識檢索者，但不是優秀的推理者。

? 缺乏動態性：LLM是靜態的，無法訪問實時信息。

為了克服LLM的挑戰，需要一種更先進的方法，這就是智能體變得至關重要的地方。

智能體來救場

AI中智能體的概念已經發展了二十多年，其實施方式也隨時間而變化。如今，人們在LLM的語境下討論智能體。簡而言之，智能體就像是應對LLM挑戰的瑞士軍刀：它可以幫助我們進行推理，提供從互聯網獲取最新信息的手段(解決LLM的動態性問題)，并且可以自主地完成任務。以LLM為支柱，智能體正式包含工具、記憶、推理(或規劃)和行動組件。

AI智能體的組件

? 工具使智能體能夠訪問外部信息，無論是來自互聯網、數據庫還是API，從而收集必要的數據。

? 記憶可以是短期的或長期的。智能體使用暫存記憶來暫時保存來自各種來源的結果，而聊天歷史則是長期記憶的一個例子。

? 推理器使智能體能夠有條不紊地思考，將復雜任務分解為可管理的子任務，以便有效處理。

? 行動：智能體根據其環境和推理結果采取行動，通過反饋迭代地適應和解決問題。ReAct是迭代執行推理和行動的常用方法之一。

智能體擅長什么?

智能體在處理復雜任務時表現出色，尤其是在角色扮演模式下，能夠利用LLM增強的性能。例如，在撰寫博客時，一個智能體可能專注于研究，而另一個則負責寫作——每個智能體都處理一個特定的子目標，這種多智能體方法適用于許多現實問題。

角色扮演有助于智能體專注于特定任務以實現更大的目標，通過明確定義提示的各個部分(如角色、指令和上下文)來減少幻覺。由于LLM的性能取決于結構良好的提示，因此各種框架都將這一過程形式化。接下來我們將討論這樣一個框架——CrewAI，它提供了一種結構化的方法來定義角色扮演。

多智能體與單智能體

以使用單智能體的檢索增強生成(RAG)為例，這是一種有效的方法，通過利用索引文檔中的信息來增強LLM處理特定領域查詢的能力，然而，單智能體RAG也有其自身的局限性，如檢索性能或文檔排名。多智能體RAG通過為文檔理解、檢索和排名部署專用智能體來克服這些局限性。

在多智能體場景中，智能體以不同的方式協作，類似于分布式計算模式：順序、集中、分散或共享消息池。CrewAI、Autogen和langGraph+langChain等框架支持通過多智能體方法解決復雜問題。在本文中，我使用CrewAI作為參考框架來探索自主工作流管理。

工作流管理：多智能體系統的一個用例

大多數工業流程都涉及工作流管理，無論是貸款處理、營銷活動管理還是DevOps。實現特定目標需要順序或循環的步驟。在傳統方法中，每個步驟(例如貸款申請驗證)都需要人工來執行繁瑣且單調的任務，即手動處理每個申請并進行驗證，然后再進入下一步。

每個步驟都需要該領域專家的輸入。在使用CrewAI的多智能體設置中，每個步驟都由一個由多個智能體組成的團隊來處理。例如，在貸款申請驗證中，一個智能體可能通過背景檢查(如駕駛證等文件)來驗證用戶的身份，而另一個智能體則驗證用戶的財務信息。

這就引出了一個問題：一個團隊(包含多個順序或層級結構的智能體)能否處理所有貸款處理步驟?雖然理論上可行，但這會使團隊變得復雜，需要大量的臨時記憶，并增加目標偏離和幻覺的風險。一種更有效的方法是將每個貸款處理步驟視為一個獨立的團隊，將整個工作流視為一個團隊節點圖(使用langGraph等工具)順序或循環運行。

由于LLM仍處于智能發展的早期階段，因此無法完全自主地管理整個工作流。在關鍵階段需要人工參與進行最終用戶驗證。例如，在團隊完成貸款申請驗證步驟后，需要人工監督來驗證結果。隨著時間的推移，隨著對AI的信任增加，某些步驟可能會變得完全自主。目前，基于AI的工作流管理起著輔助作用，簡化了繁瑣的任務并減少了整體處理時間。

生產挑戰

將多智能體解決方案投入生產可能會面臨幾個挑戰。

? 規模：隨著智能體數量的增加，協作和管理變得具有挑戰性。各種框架提供了可擴展的解決方案——例如，Llamaindex采用事件驅動的工作流來大規模管理多智能體。

? 延遲：由于任務迭代執行，需要多次調用LLM，因此智能體性能往往會產生延遲。受管理的LLM(如GPT-4o)由于隱式護欄和網絡延遲而速度較慢。自托管的LLM(具有GPU控制)在解決延遲問題方面非常有用。

? 性能和幻覺問題：由于LLM的概率性質，智能體的性能可能會因每次執行而異。像輸出模板化(例如JSON格式)和在提示中提供充足示例等技術有助于減少響應的可變性。通過訓練智能體可以進一步減少幻覺問題。

最后的思考

正如Andrew Ng所指出的，智能體是AI的未來，并將與LLM一起不斷發展。多智能體系統將在處理多模態數據(文本、圖像、視頻、音頻)和應對日益復雜的任務方面取得進展。雖然AGI和完全自主的系統仍在未來，但多智能體將填補LLM和AGI之間的當前空白。