GOAT.AI

IA autonome fluide

Orchestration orientée vers les objectifs des tâches des agents. Fondamentalement, les agents IA communiqueront entre eux pour exécuter votre tâche.

Exemple : "choisissez le meilleur jour du mois prochain pour un semi-marathon de 20 km". L'IA commencera à collaborer : l'agent météo récupère les prévisions, l'agent de recherche Web identifie les conditions de fonctionnement optimales et l'agent Wolfram calcule le « meilleur jour ». C'est l'art de l'IA connectée, qui simplifie des tâches complexes avec sophistication.

Les LLM en tant qu’ordinateur central pour les agents autonomes sont un concept intrigant. Des démonstrations comme AutoGPT, GPT-Engineer et BabyAGI servent d’illustrations simples de cette idée. Le potentiel des LLM va au-delà de la génération ou de la réalisation de copies, d'histoires, d'essais et de programmes bien écrits ; ils peuvent être présentés comme de puissants résolveurs de tâches générales, et c'est ce que nous visons à réaliser en créant l'orchestration orientée objectifs de la force de travail des agents (GOAT.AI).

Pour qu'une orchestration orientée vers les objectifs d'un système de groupe de travail d'agents LLM existe et fonctionne correctement, trois composants principaux du système doivent fonctionner correctement.

- Aperçu

1) Planification

- Sous-objectif et décomposition : l'agent décompose les tâches volumineuses en sous-objectifs plus petits et gérables, ce qui facilite la gestion efficace des tâches complexes.

- Réflexion et raffinement : l'agent s'engage dans une autocritique et une auto-réflexion sur les actions passées, apprend de ses erreurs et améliore ses approches pour les étapes futures, améliorant ainsi la qualité globale des résultats.

2) Mémoire

- Mémoire à court terme : Elle fait référence à la quantité de texte que le modèle peut traiter avant de répondre sans aucune dégradation de qualité. Dans l’état actuel, les LLM peuvent fournir des réponses sans aucune diminution de qualité pour environ 128 000 jetons.

- Mémoire à long terme : Elle permet à l'agent de stocker et de rappeler une quantité illimitée d'informations sur le contexte sur de longues périodes. Ceci est souvent réalisé en utilisant un magasin de vecteurs externe pour des systèmes RAG efficaces.

3) Espace d'action

- L'agent acquiert la possibilité d'appeler des API externes pour obtenir des informations supplémentaires qui ne sont pas disponibles dans les poids du modèle (souvent difficiles à modifier après une pré-formation). Cela inclut l'accès aux informations actuelles, l'exécution de code, l'accès à des sources d'informations propriétaires et, plus important encore, l'appel d'autres agents pour la récupération d'informations.

- L'espace d'action englobe également les actions qui ne visent pas à récupérer quelque chose, mais impliquent plutôt l'exécution d'actions spécifiques et l'obtention du résultat qui en résulte. Des exemples de telles actions incluent l’envoi d’e-mails, le lancement d’applications, l’ouverture de portes d’entrée, etc. Ces actions sont généralement effectuées via diverses API. De plus, il est important de noter que les agents peuvent également appeler d’autres agents pour des événements exploitables auxquels ils ont accès.