吴恩达：GPT-4+Agents Workflow，性能比肩GPT-5！_gpt4 agent

1. Agent工作流

最近吴恩达教授 Andrew.Ng 在 deeplearning.ai来信中表示是大语言模型 Agents工作流将是AI领域中一个关键的趋势，并且有可能在今年推动大规模的人工智能进步——甚至可能比下一代基础模型更甚。

I think AI agent workflows will drive massive AI progress this year — perhaps even more than the next generation of foundation models. This is an important trend, and I urge everyone who works in AI to pay attention to it. – Andrew.Ng

我们通常在ChatGPT中希望一次输入就能获得期望的结果，然而结果通常并不理想。我们会根据响应一次一次的提示ChatGPT修正答案，最终获得期望的输出。问题来了，我们是否可以将这种流程规范化呢？

业界有人提出了Agents workflow，在一个工作流中，我们可以要求LLM多次迭代文档，最终输出高质量的答案。它通过模仿人类解决问题的迭代方法，使得人工智能生成的输出更加精确和细致。这种方法不仅利用了大型语言模型的优势，还通过引入反馈循环来弥补其不足，从而实现持续改进。通过规划、行动、审查和调整的循环过程，人工智能可以产生更高质量的结果。吴教授的团队在Human Eval这个数据集上对此进行了测试，并获得了如下的图表。Human Eval是论文《Evaluating Large Language Models Trained on Code》中提到一个代码评测标准。

从上图中我们可以看出，GPT-3.5和GPT-4在zero-shot中分别获得了48%和67%左右的正确率，而通过使用Agent workflow，有些Agent在GPT-3.5上甚至达到了95%的准确率。可见通过迭代Agent workflow实现的性能提升远远超过了从GPT-3.5到GPT-4的改进。这一发现强调了Agent workflow在提高人工智能性能方面的重要性。甚至能让GPT-5提前到来。吴教授总结了当前的业界研究，提出了四种工作流设计模式。

• 反思 Reflection: LLM反思自己的工作并提出改进的方法。
• 工具使用 Tool use: 给LLM提供工具，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。
• 规划 Planning: LLM制定并执行一个多步骤计划来实现目标（例如，为文章编写大纲，然后进行在线研究，然后写草稿，等等）。
• 多Agent协作 Multi-agent collaboration: 多个Agent协作，分配任务并讨论辩论想法以此提出比单个Agent更好的解决方案。

我已经针对这4种工作流编写了一系列文章，从论文到实践，欢迎关注收藏

• [LLM-Agents]反思Reflection 工作流
• [LLM-Agents]万字长文深度解析Agent反思工作流框架Reflexion上篇：安装与运行
• [LLM-Agents]万字长文深度解析Agent反思工作流框架Reflexion中篇：ReactAgent workflow
• [LLM-Agents]详解Agent中工具使用Workflow
• [LLM-Agents]浅析Agent工具使用框架：MM-ReAct
• [LLM-Agents]详解Agent中规划工作流Workflow
• [LLM-Agent]万字长文深度解析规划框架：HuggingGPT

如果你对大语言模型应用开发开发有兴趣，可以考虑购买Langchain实战课程LangChain 实战：LLM 应用开发指南。

2. Agent系统概述

此外，Open AI的应用主管Liliang Weng在2023年6.23撰写的一篇博客《LLM Powered Autonomous Agents》也提出了如下自动化Agent架构。这篇博客非常值得一读，系统的描述了一个Agent工作流类似AutoGPT，BabyAGI等利用LLM作为大脑自动完成任务的流程和核心组件。

2.1 概述

• LLM作为Agent系统的大脑，负责规划、反思、记忆和工具使用等关键功能。
• 规划包括任务分解和自我反思，使代理能够高效处理复杂任务。
• 记忆分为短期记忆和长期记忆，短期记忆涉及上下文学习，长期记忆则利用外部向量存储和快速检索。
• 工具使用涉及调用外部API来获取缺失的信息或执行特定任务。

2.2 规划

• 任务分解：使用链式思考（Chain of Thought, CoT）和思维树（Tree of Thoughts, ToT）等技术，将复杂任务分解为更小、更易管理的子任务。
• 自我反思：通过ReAct和Reflexion等框架，Agent能够进行自我批评和反思，从而改进未来的行动。

2.3 记忆

• 介绍了人类大脑中的不同类型的记忆，并将它们与Agent系统中的记忆机制相映射。
• 讨论了最大内积搜索（Maximum Inner Product Search, MIPS）和相关的算法，如局部敏感哈希（LSH）、近似最近邻（ANNOY）、层次导航小世界（HNSW）和Facebook AI相似性搜索（FAISS）等，用于优化外部记忆的检索速度。

2.4 工具使用

• 讨论了人类使用工具的特点，并探讨了如何将这一特性应用到LLM中，以扩展模型的能力。
• 提到了MRKL（模块化推理、知识和语言）架构，它结合了专家模块和通用LLM作为路由器。
• 介绍了TALM（工具增强的语言模型）和Toolformer，这些是微调LM以学习使用外部工具API的方法。
• 举例了ChatGPT插件和OpenAI API调用，展示了实际中增强工具使用能力的例子。

3. 下一步

下一篇我们将深入Agent workflow的Reflection，并结合之前搭建的Llama.cpp来测试验证。动动小手，加个关注，收藏评论哦，及时获取最新的更新。

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，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。

所有资料 ⚡️ ，朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》，扫码获取~

本文内容由网友自发贡献，转载请注明出处：https://www.wpsshop.cn/w/木道寻08/article/detail/764378