大模型驱动的自动代理（AI Agent）：将语言模型的能力变成通用能力的一种方式——来自OpenAI安全团队负责人的解释与观点

当前大模型本质是一种大语言模型（Large Language Models, LLM)，其核心能力是对语言的处理。良好的意图识别和文本生成能力让LLM超越了之前的模型，有了巨大的实用价值。但是，现实问题涉及了很多超越语言模型之外的能力，如基于最新数据的文本摘要、向用户提供实时数据分析和可视化结果、为代码提供debugging等。目前，让LLM解决这些问题的一个最有前景的方向就是建立大模型驱动的自动代理。也就是让LLM作为核心控制者来学会使用不同工具，进而完成最终任务。

那么，建立这样一个AI Agent到底包含了哪些内容，可以提供什么样的能力？在6月份，OpenAI的Safety团队的负责人Lilian Weng发布了一篇6000字的博客介绍了AI Agent，并认为这将使LLM转为通用问题解决方案的途径之一。本文将根据这篇博客总结一下关于AI Agent的相关内容。

[TOC]

#### AI Agent简介
所谓AI Agent就是一个以LLM为核心控制器的一个代理系统。业界开源的项目如AutoGPT、GPT-Engineer和BabyAGI等，都是类似的例子。LLM的潜力不仅仅是生成写得很好的副本、故事、散文和程序；它可以被框架为一个强大的一般问题解决者。

也就是说，AI Agent本质是一个控制LLM来解决问题的代理系统。LLM的核心能力是意图理解与文本生成，如果能让LLM学会使用工具，那么LLM本身的能力也将大大拓展。AI Agent系统就是这样一种解决方案。

以AutoGPT为例，一个经典的案例是对大模型输入一个问题：找出一个投资机会。那么，正常情况下一个LLM是无法给出具体的操作的。AutoGPT的思路是首先告诉LLM，这个问题LLM一般可以咋解决这个问题，给出几个选择，然后LLM会挑选一个方法，可能是浏览雅虎财经，也可能是阅读某个文件，然后AutoGPT本身就可以根据选择的结果继续执行，这种执行可能是用谷歌搜索，也可能直接访问某个文件，但这些都是LLM无法做到的。AutoGPT完成这些任务之后继续带上之前的记录发给LLM，继续询问新的解决方案。这就是一个简单的AI Agent的案例。具体可以参考：[AutoGPT是如何让GPT-4自动帮你完成任务的——最火的AutoGPT原理解析！](https://www.datalearner.com/blog/1051681400812596 "AutoGPT是如何让GPT-4自动帮你完成任务的——最火的AutoGPT原理解析！")

#### AI Agent组成部分
那么，为了完成上述能力，实际上一个AI Agent系统需要包含几个主要的部分。Lilian Weng认为一个AI Agent系统应当包含如下图所示的几个部分：

<center>![](https://lilianweng.github.io/posts/2023-06-23-agent/agent-overview.png)</center>
<center></center>

##### 规划（Planning）
子目标和分解：代理将大型任务分解为更小、易于管理的子目标，从而实现复杂任务的高效处理。
反思和提炼：代理可以对过去的行为进行自我批评和自我反思，从错误中吸取教训，并为未来的步骤改进它们，从而提高最终结果的质量。

##### 记忆（Memory）
短期记忆：所有的上下文学习（参见提示工程：https://lilianweng.github.io/posts/2023-03-15-prompt-engineering/ ）都是利用模型的短期记忆来学习。
长期记忆：这为代理提供了在很长一段时间内保留和调用（无限）信息的能力，通常是通过利用外部矢量存储和快速检索。

##### 工具使用（Tool Use）
代理学会调用外部API以获取模型权重中缺少的额外信息（在预训练后通常难以更改），包括当前信息、代码执行能力、对专有信息源的访问等。

下面对每个部分进行详细的解释。

#### 规划（Planning）
复杂的任务通常涉及许多步骤。AI Agent需要知道他们是什么，并提前计划。

##### 任务分解（Self-Reflection）
任务分解主要是的目的是将复杂的任务分解成简单的小任务，这样LLM可以更简单地解决问题。这里介绍2类方法：

**思维链**已成为增强复杂任务模型性能的标准提示技术（Prompt Technology）。大致就是让模型“一步一步地思考”，利用更多的测试时间计算<font color=red>**将困难任务分解为更小、更简单的步骤**</font>。CoT将大型任务转化为多个可管理的任务，并对模型的思维过程进行了阐释。

**思想树**（姚等人2023年）通过在每一步探索多种推理可能性来扩展CoT。它首先将问题分解为多个思维步骤，并每一步生成多个思维，创建一个树结构。搜索过程可以是BFS（广度优先搜索）或DFS（深度优先搜索），每个状态都由分类器（通过提示）或多数票评估。

##### 自我反省（Self-Reflection）
自我反省是一个重要的方面，它允许AI Agent通过完善过去的行动决策和纠正以前的错误来迭代地改进。它在现实世界中发挥着至关重要的作用，在现实世界中，试错是不可避免的。

这里也包含几种方法：

**ReAct**（姚等人2023年）通过将动作空间扩展为特定于任务的离散动作和语言空间的组合，将推理和行为集成在LLM中。前者使LLM能够与环境交互（例如使用维基百科搜索API），而后者则提示LLM以自然语言生成推理跟踪。

<center>![](https://lilianweng.github.io/posts/2023-06-23-agent/react.png)</center>
<center></center>

**Reflexion**(Shinn & Labash 2023)是一个为代理配备动态记忆和自我反思能力以提高推理能力的框架。Reflexion 具有标准的强化学习（Reinforcement Learning，RL）设置，其中奖励模型提供简单的二进制奖励，而行动空间则沿用 ReAct 中的设置，即在特定任务的行动空间中加入语言，以实现复杂的推理步骤。每次行动后，AI Agent会计算一个启发式的值，然后根据自我反思的结果决定重置环境以开始新的试验。

**Chain of Hindsight**（CoH；Liu 等人，2023 年）通过向模型明确展示一系列过去的输出结果，鼓励模型改进自己的输出结果。

<center>![](https://lilianweng.github.io/posts/2023-06-23-agent/CoH.png)</center>
<center></center>

#### 记忆（Memory）
记忆是类似多轮对话中记住之前的输入和设定的一种能力。在当前的大模型架构中，随着对话的增长，要记住之前用户的输入内容再输出需要消耗大量的硬件资源。大多数模型支持的上下文长度都是非常有限的（当前开源模型主要是2K上下文长度：[开源领域上下文长度超过2K模型列表](https://www.datalearner.com/ai-models/pretrained-models?&aiArea=-1&language=-1&contextLength=1&openSource=-1&publisher=-1 "开源领域上下文长度超过2K模型列表")）。超过这个长度之后大多数模型的性能都会极具下降或者是不支持。但是长上下文是解决实际问题中必须要面对的。如代码生成、故事续写、文本摘要等场景，支撑更长的输入通常意味着更好的结果。

在这里，Lili Weng首先总结了一下人类的记忆分类总结，然后对应到大模型上分别是什么样的。

##### 记忆类型
记忆可以定义为用于获取、存储、保留和检索信息的过程。人类大脑中有几种类型的记忆。

**感官记忆（Sensory Memory）**： 这是记忆的最早阶段，能够在原始刺激结束后保留对感官信息（视觉、听觉等）的印象。感官记忆通常只能持续几秒钟。其子类别包括图标记忆（视觉）、回声记忆（听觉）和触觉记忆（触觉）。

**短时记忆**（Short-Term Memory，STM）或工作记忆： 它存储我们当前意识到的信息，以及执行学习和推理等复杂认知任务所需的信息。

**长时记忆**（Long-Term Memory，LTM）： 长时记忆可以将信息存储很长时间，从几天到几十年不等，存储容量基本上是无限的。长时记忆有两种亚型：

- 显性/陈述性记忆： 这是对事实和事件的记忆，指那些可以有意识地回忆起的记忆，包括外显记忆（事件和经历）和语义记忆（事实和概念）。
- 内隐/程序性记忆： 这种记忆是无意识的，涉及自动执行的技能和例行程序，如骑车或在键盘上打字。

<center>![](https://lilianweng.github.io/posts/2023-06-23-agent/memory.png)</center>
<center></center>

我们可以大致考虑将上面的记忆类型对应到下面几个部分：

1. 感官记忆是类似大模型学习原始输入（包括文本、图像或其他模式）的嵌入表征；
2. 短时记忆可以理解为大模型的上下文学习，类似于prompt。由于受到 Transformer 有限上下文窗口长度的限制，它是短暂和有限的，但是可以每次输入都引入。
3. 长期记忆一般就是大模型之外作为外部向量存储的数据了，AI Agent可在查询时加以关注，并可通过快速检索进行访问。

那么，在外部数据检索的时候也需要考虑一些方法。这里提供一种经典的方法。

##### 最大内积搜索（MIPS）
外部存储器可以缓解有限注意力的限制。标准的做法是将信息的嵌入表示保存到向量存储数据库中，该数据库可支持快速的最大内积搜索（MIPS）。为了优化检索速度，通常选择近似近邻（ANN）算法来返回近似的前 k 个近邻，从而以损失的少量精度换取巨大的速度提升。

#### 工具使用（Tool Use）
LLM本身最强的是文本识别、意图理解等，但是对于计算等操作可能还不如传统计算器。因此，为LLM配备一些工具可以大大提升LLM的能力，这里介绍几个相关的研究（产品）。

**MRKL**（Karpas等人，2022 年）是 "模块化推理、知识和语言 "的简称，是一种用于自主代理的神经符号架构。MRKL 系统包含一系列 "专家 "模块，通用 LLM 用作路由器，将查询路由到最合适的专家模块。这些模块可以是神经模块（如深度学习模型），也可以是符号模块（如数学计算器、货币转换器、天气 API）。

Karpas等人使用算术作为测试案例，对LLM进行了微调实验，以调用计算器。他们的实验表明，解决口述数学问题比解决明确陈述的数学问题更难，因为LLM（7B Jurassic1-large model）无法可靠地提取基本算术的正确参数。这意味着当外部符号工具能够可靠地工作时，了解何时以及如何使用这些工具至关重要，这取决于 LLM 的能力。

**TALM**（工具增强语言模型；Parisi 等人，2022 年）和 Toolformer（Schick 等人，2023 年）都对 LM 进行了微调，使其学会使用外部工具API。数据集根据新添加的API调用注释是否能提高模型输出的质量进行扩展。

ChatGPT Plugins 和 OpenAI API 函数调用是增强工具使用能力的 LLM 在实践中发挥作用的良好范例。工具 API 的集合可以由其他开发人员提供（如插件），也可以自行定义（如函数调用）。

**HuggingGPT**（Shen 等人，2023 年）是一个使用 ChatGPT 作为任务规划器的框架，可根据模型描述选择 HuggingFace 平台中可用的模型，并根据执行结果总结响应。

<center>![](https://lilianweng.github.io/posts/2023-06-23-agent/hugging-gpt.png)</center>
<center></center>

HuggingGPT包含四个步骤：任务规划、模型选择、任务执行和响应生成。具体参考：[“GPT”的模型太多无法选择？让大模型帮你选择大模型！浙江大学发布HuggingGPT！](https://www.datalearner.com/blog/1051680273827206 "“GPT”的模型太多无法选择？让大模型帮你选择大模型！浙江大学发布HuggingGPT！")

**API-Bank**（Li 等人，2023 年）是评估工具增强 LLM 性能的基准。它包含 53 种常用的 API 工具、一个完整的工具增强 LLM 工作流程以及 264 个注释对话，其中涉及 568 次 API 调用。API 的选择相当多样化，包括搜索引擎、计算器、日历查询、智能家居控制、日程管理、健康数据管理、账户认证工作流程等。由于 API 数量众多，LLM 首先可以访问 API 搜索引擎，找到要调用的 API，然后使用相应的文档进行调用。

原文：[LLM Powered Autonomous Agents](https://lilianweng.github.io/posts/2023-06-23-agent/ "LLM Powered Autonomous Agents")

大模型驱动的自动代理（AI Agent）：将语言模型的能力变成通用能力的一种方式——来自OpenAI安全团队负责人的解释与观点

欢迎大家关注DataLearner官方微信，接受最新的AI技术推送

相关博客

最热博客