职场番：ChatDev

职场番：ChatDev

• Communicative Agents for Software Development
• https://github.com/OpenBMB/ChatDev

哈哈如果说斯坦福小镇对标综艺桃花坞，那ChatDev就是对标令人心动的Offer。论文参考了斯坦福小镇的记忆流，CAMEL的任务导向型对话方案，通过智能体间对话协同完成特定软件开发任务。

论文把软件开发流程，抽象成多个智能体的对话型任务。整个开发流程分成设计，编程，测试，文档编写四个大环节，每个环节又可以拆分成多个执行步骤，其中每个步骤都由两个角色的智能体通过对话合作来完成，如下

在进入主要流程前，让我们先完成准备工作。开发流程的准备工作需要定义三类配置文件，源码提供了默认的配置文件，用户可以根据自己的需求，选择覆盖部分配置。配置文件从Top to Bottom分别是

1. ChatChainConfig：定义了整个任务链的所有步骤和执行顺序(phrase)，以及所有参与的智能体角色。

以默认配置为例，任务链包含以下步骤：DemandAnalysis -> LanguageChoose -> Coding -> CodeCompleteAll -> CodeReview -> Test -> EnvironmentDoc -> Manual

参与智能体角色包括：CEO，CFO， CPO， CCO， CTO， programmer，Reviewer，Tester等

1. PhaseConfig：下钻到每个步骤，分别定义了每个步骤的prompt指令，以及参与的两个Agent角色。
2. RoleConfig：下钻到每个角色，分别定义了每个角色的prompt指令

初始化配置文件后我们进入软件开发的四个主要流程~

Design

产品设计环节，负责把用户需求转化成项目方案，包括两个原子步骤：CEO和CPO进行需求分析和产品设计，CEO和CTO选择编程语言。考虑每个phase的实现其实是相似的，只不过参与智能体不同，以及phase对应的指令和多轮对话形式不同，这里我们只说CEO和CPO之间关于需求分析对话实现（role_play.py）～

这里融合了CAMEL的Inception Prompting和斯坦福小镇的记忆流和自我反思来完成任务导向的对话。

1. Role Assignment

首先初始化参与phase的两个智能体角色，并生成初始prompt(Inception Prompt)。包括用户需求(task_prompt)，本阶段的任务描述（phase_prompt）和两个智能体的角色描述(role_prompt)。

基于初始指令，之后两个智能体会通过对话相互为对方生成指令，而人工参与的部分只有最初的角色描述和任务描述，所以叫初始指令。产品涉及环节的具体指令如下，需求分析阶段的任务指令使用了few-shot，给出不同的产品形态例如图片，文档，应用等实现方式，并明确了对话的两个智能体的讨论主题，以及终止讨论的条件，即确定产品形态

以下是论文附录给出的一个需求分析阶段的具体对话示例，不过对话终止符似乎变成了

1. Memory Stream

老实说感觉这里的memoery stream和上面小镇中实现的memory stream关联似乎并不是很大。看代码实现，对话是直接使用上文对话history作为输入，只有当输入上文长度超长的时候，会保留Inception prompt和最近的N轮对话…难道是我漏看了代码，如果是请评论指出 >.<

1. Self-Reflection

小镇中自我反思是为了产生更抽象，更高级的个人思考。而在这篇论文self-Reflection其实更像是会议总结模块，当多轮对话完成，但是并未出现对话停止符号，这时可以触发总结模块，把前面的多轮对话作为上文，来总结对话得到的结论，用于后续步骤的进行，如下

Coding

编程环节包括两个基本步骤：后端写代码，和前端设计交互界面。编程环节最大的难点就是如何避免模型幻觉，最大正度保证代码的正确性，以及在多轮对话中如何进行复杂长代码的编写和修改。这里同样我们只说下后端编写代码这一个步骤。

代码编写步骤的核心指令如下，CTO智能体给程序员智能体的指令是：以面向对象的编程语言python为基础，先给出核心类和方法。程序员智能体会按照指令以markdown为语法进行代码和注释的编写。之后代码编写环节会循环执行N次多轮对话，不断对代码进行更新优化。

在指令的基础上，为了优化复杂代码的编写效果，论文在代码编写环节引入了version control环节。在每一步代码编写完成后，会使用difflib对两版代码进行比对，并从记忆流中删除旧版本的代码，这样对话会永远基于最新的代码版本进行，对最新代码进行不断更新。

Testing

测试环节包括两个基本步骤：代码评审和测试环节。

评审环节，程序员智能体会给评审智能体指令，让其对代码进行检查，例如是否有未实现的类或方法，以及整个项目是否符合用户需求等等(角色指令如下图），并给出评审建议。其次程序员之智能体会基于以上建议对代码进行调整。

测试环节是基于代码执行后出现的bug进行修复。论文在这里引入了Thought Instruction，有点类似Decomposed Prompt的任务拆分。因为如果直接基于代码执行bug让大模型进行修复，问题可能过于复杂导致模型无法直接修复，或者产生幻觉。因此通过多轮对话引入一步任务拆分，先经过TestErrorSummary步骤对测试bug的位置和产生原因进行总结，再基于以上总结进行代码调整。

Documentation

文档生成环节就比较简单了，包括多个phase步骤，一个phase对应一类文档说明。这里使用了few-shot指令来引导智能体生成requirements.txt, README.MD等用户文档，以下是生成requirements.txt的指令示例

效果

效果上ChatDev从CAMEL编程相关的任务中随机抽了70个任务进行测试，任务平均代码量是131行代码，4个文件，3个上游依赖库，说明ChatDev整体生成的软件还是偏简单，小型，不涉及复杂的设计。具体效果大家可以直接去Chatdev的代码库里给的生成案例感受下。在这样的代码复杂度下，ChatDev最终代码的执行成功率在86% ，平均任务完成时间在7分钟左右，且调用成本相对较低。

除了以上提到了两个比较火爆的多智能体协同应用，还有很多相关应用和开源实现，这里就不一一介绍了，感兴趣的同学可以去自己试试看

• AgentSims：国内开源的类似斯坦福小镇
• AgentVerse：多模型交互环境
• MetaGPT:覆盖软件公司全生命流程，例如产品经理等各个职业的AutoGPT
• CAMEL：任务导向型，沟通式多智能体协同框架，Chatdev的基础

在之前的 LLM Agent+DB 的章节我们已经谈论过如何使用大模型接入数据库并获取数据，这一章我们聊聊大模型代理在数据分析领域的应用。数据分析主要是指在获取数据之后的数据清洗，数据处理，数据建模，数据洞察和数据可视化的步骤。可以为经常和数据打交道，但是并不需要太过艰深的数据分析能力的同学提供日常工作的支持，已看到很多 BI 平台在尝试类似的方案。这里我们聊两篇论文：Data-Copilot 和 InsightPilot, 主要参考一些有意思的思路~

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。