AI智能体工作流，突破LLM代际差异，GPT-3.5干出4.0的效果

事件背景

智能体设计模式

吴恩达在同篇推送中提出了基于工作流思路，有4种智能体的设计模式，可以帮助我们实现利用workflow来优化LLMs表现。这4种模式分别是：

• Reflection：LLM审查自己的工作，提出改进的方法。
• Tool use：LLM被赋予工具，如网络搜索，代码执行，或任何其他功能，以帮助它收集信息，采取行动，或处理数据。
• Planning：LLM提出并执行一个多步骤计划来实现一个目标（例如，编写一篇文章的大纲，然后进行在线研究、编写草稿，等等）。
• Multi-agent collaboration：多个AI智能体一起工作，分解任务、讨论和辩论想法，提出比单个智能体更好的解决方案。

多智能体工作流

工作流可以有效的帮我们提升工作的成果质量，本质上是因为系统论原理。就像人类社会的生产一样，独立一个人的生产能力是有限的，但是如果形成一个组织（如公司）来进行生产，通过系统化的分工和管理，提升效率，就可以达到1+1>2的效果。因此，工作流模式解决实际问题，我也认为是目前为止最好的应用路径。从AI的发展来看，智能程度的提升就像人脑智力水平高，然而实际要干活，还是得靠智力水平一般，但是勤奋努力的个体来实现。所以，未来当我们拥有足够智力水平的LLM底座之后，发展的方向一定是基于系统论的应用层构建。关注我的公众号 wwwtangshuangnet 有更多的文章来聊这一方向。

以LangGraph为例，它已经是按multi-agent模式设计好的框架，开发者只需要按照它的使用方法，完成下面3件事，就可以开发出自己的AI工作流：

• 工具定义

• LLM接入

• 流程定义

结语

从本文中，你肯定可以发现一些规律，即agents以workflow的模式来进行工作，可能会是将来AI应用的主要开发模式。在这样的体系中，分工会越来越细，每一个agent都可以在单独某个方面具备更优秀的能力，这也意味着在一套系统中，我们可能需要多个领域的小模型或者经过微调的LLM。同时，我们也可以看到，由于分工很细，有不少agent的功能愈发单一，我们就可以采用耗能更小的技术架构来实现这类agent，只有那种需要非常高智能的agent，我们才可能需要比GPT-4更高智能的大模型，这就显得更加环保，对当下芯片资源、电力资源紧张感有一定的缓解作用。另外一方面，由于这种越来越细的分工，我们需要一个agent market来随时扩展系统能力，当用户在平台上准备让AI完成自己的任务，但是又没有在当前系统中看到可以实现自己需要的能力的agent时，可以便捷的在market上载入新的agent。基于这一思考，我们就会豁然开朗，为什么吴恩达会认为智能体工作流会是今年一个重要的课题了。