大牛扎堆搞Agent自进化

有两位在AI圈堪称大佬的人物, 田渊栋以及边江, 最近都将目光对准了同一件事情。他们认为, 对于Agent而言, 仅仅依靠人工去调整是行不通的, 必须要使其自身变得强大起来。

公司是由田渊栋创立的, 田渊栋曾是Meta的研究总监, 该公司正在探索AI递归自我改进。边江曾是MSRA的副院长, 边江的XYZ AI Lab, 在跑通用数百个Agent做Deep模型后训练的路子。

一个RAG应用看出差距

用于比较的生成RAG应用, 有分块检索的要求, 有流式返回的要求, 还有带引用的要求。Codex呢, 团队得花费几周时间, 首先要进行框架选型, 接着要部署模型, 然后要写提示词, 并且还得反复修改。

花在崭新开源框架上的时间较为更少, 而此框架耗费的成本还不到Codex的几十分之一产出几乎能促使应用直接落地, 以往需从零处开始去解决的事情, 如今通过一键方式就能够完成。

统一协议让接入变简单

有一种消息协议, 它贯穿于这个框架的始终, 这种协议类似网络数据报文。模型与环境之间靠它交换信息, 环境与用户之间靠它交换信息, 模型与用户之间也靠它交换信息, 并且它的接口轻量统一。

随随便便的任何代码, 都能够轻轻松松地接入进去, 根本用不着去为每一个应用重新进行适配工作。这样的情况使得Agent构建 Agent变成了具有可能性的事情, 并且还为本地自进化 Agent奠定了基础。

自进化需要一把可靠尺子

Agent的本质呢, 是代码以及文件, 去改动它是较为容易的, 而要使得它变得困难起来。大模型自身带有随机性, Agent更是那种充满不确定性的自主系统。

倘若不存在可靠的评估系统, 那么自进化便纯粹是毫无根据的空谈, 团队特意打造了全新的基准, 该基准涵盖了医疗、金融、法律等六大场景, 并且还划分出了训练测试集用以避免出现偷看答案的情况。

优化闭环和防作弊机制

Skill被调用后, 多个智能体就会启动, 从而组成自进化闭环。只有分数严格更高时, 新版本才会被接受, 要是持平或者下降, 那就回退。

快照以及回滚能力起到防止安全风险的作用, 目标Agent在规定情况下只能看题目, 而不可以看评测集, 以此来避免出现背答案或者迎合打分器的现象。并且, 所有的优化流程都留下记录, 能够进行审计。

开源部署落地真实场景

能支持Linux一键安装, 还能支持Mac一键安装, 也支持Windows一键安装, 在本地可以运行, 在服务器同样能够运行。具备多用户隔离功能也有团队协同功能既能够当作Agent构建平台又能够当作Codex平替。

有一某体检机构, 借助它生成了报告核查Agent, 原本耗时30分钟的这份工作, 如今几十秒便完成了。满心期待有更多的人予以关注, 运用这个引擎去创造出有趣的应用。

你是否认为Agent自进化能够对软件开发形成颠覆性影响呢, 若是如此欢迎留下话语展开讨论, 同时别忘记点赞分享以便让更多人得以看到。