Գնահատել նախագիծը
← Բոլոր հրապարակումները

Language agent-ները պարզ բառերով

Պարզեք, թե ինչպես ճանաչել language agent-ներին, և ծանոթացեք տարբեր ճարտարապետությունների՝ ավելի լավ հասկանալու համար, թե ինչպես են դրանք կառուցված և ինչի են ընդունակ։

4 րոպե
Մեքենայական ուսուցումNLPՉատբոտերLlm AgentsԲնական լեզվի մշակում

Քանի որ chatGPT-ի, Siri-ի կամ Alexa-ի նման հավելվածներն ավելի ու ավելի տարածվում են, մենք աստիճանաբար շրջապատվում ենք տեխնոլոգիայով, որը գուցե լիովին չենք հասկանում։ Այս հոդվածը կարճ հայացք է նետում language agent-ների աշխարհին։

Գրառումը կազմակերպված է այսպես. սկսում ենք նրանից, թե ինչով են բնութագրվում language agent-ները և ինչպես ճանաչել դրանք, ապա անցնում ենք language agent ճարտարապետությունների ընտրանու միջով։

Ինչպե՞ս կարելի է ճանաչել language agent-ին

Windows Clippy-ը հիմնական չատբոտի օրինակ է, աղբյուր՝ Figma։

Սրան պատասխանելու մեկ եղանակն այն է, որ դրանք համեմատենք այսպես.

  • Հիմնական չատբոտերը (ինչպես Clippy from Windows-ը) պարզապես Q&A համակարգեր են (դեռևս agent-ներ չեն). օգտատերը կարող է միայն հարց տալ, և համակարգը վերադարձնում է պատասխան (սովորաբար նախապես սահմանված)։
  • OpenAI-ի ChatGPT-4-ը language agent-ի վրա կառուցված համակարգի ակնհայտ օրինակ է՝ առաջարկելով պատկերների գեներացիա և text2speech հնարավորություններ՝ բազմամոդալ մուտքի հետ միասին։

Կարճ ասած՝ եթե կարող եք նրանից խնդրել մեկից ավելի նեղ սահմանված առաջադրանք կատարել (այսպես ասած՝ chatbot++), ամենայն հավանականությամբ կուլիսներում ինչ-որ language agent է աշխատում։

Language agent-ների հայտնի օրինակներ

Այս բաժինը դիտարկում է language agent-ների վրա հիմնվող համակարգերի մի քանի օրինակ։

ChatGPT

Իր ամենավերջին տարբերակում այն կարող է կատարել շատ ավելին, քան տեքստի վրա հիմնված առաջադրանքները։ ChatGPT-ի հետ կարող եք.

  • Վերբեռնել տվյալների բազա և կատարել հիմնական վերլուծություն Data Analyst product-ով,
  • Տեքստից ստեղծել պատկերներ Dalle-ով։
  • Տեքստը վերածել աուդիոյի OpenAI-ի TTS մոդելով։
  • Տրամադրել աուդիո կամ պատկեր և դրա մասին հարցեր տալ GPT-V-ով կամ Whisper-ով։
  • Ստեղծել կոդ ձեր խնդրած ֆունկցիոնալության համար։
  • Եվ հավանաբար շատ ավելին։

Սմարթֆոնի/տան օգնականներ

Դուք անշուշտ ծանոթ եք այնպիսի գործիքների, ինչպիսիք են Siri-ն, Google Assistant-ը (Gemini-ով սնուցվող) կամ Alexa-ն, որոնք ներսում ապավինում են language agent-ներին։ Նրանք կատարում են բազմաթիվ առաջադրանքներ, ինչպիսիք են երաժշտություն միացնելը, եղանակը ստուգելը, հանդիպումներ ամրագրելը կամ տարբեր մարդկանց զանգահարելը։ Թեև այս համակարգերը որպես մուտք ընդունում են խոսք, դրանք այն վերածում են տեքստի (text-to-speech մոդելներով) և ապա կիրառում NLP մոդելների մի շարք։

Devin from Cognition

Վերջերս հայտնի դարձած ծրագրային ապահովման մշակման agent-ը language agent-ի ևս մեկ հիանալի օրինակ է։ Դատելով տարբեր դեմոներից՝ գործիքը կարող է ծրագրային առաջադրանքները տանել սկզբից մինչև վերջ՝ նմանակելով մարդկանց աշխատելու ձևը. գրել պահանջներ, նախագծել ճարտարապետությունը, պլանավորել նախագիծը, գրել կոդ և թեստավորել արդյունքը։

Ի պատասխան՝ այս ոլորտում հայտնվեցին agent-ների վրա հիմնված այլ լուծումներ, ինչպես OpenDevin-ը, MetaGPT-ն կամ Github Workspace-ը։

Vapi - ձայնային AI օգնական

VAPI-ն ընկերություն է, որը տրամադրում է ավտոմատացված խոսքային agent-ներ կառուցելու ծայրից ծայր լուծումներ, ինչպես վաճառքի agent-ներ, համատեղելով էլ. փոստով կամ Whatsapp-ով տեքստային հաղորդագրությունները իրական աշխարհի խոսքային հնարավորությունների հետ, այդ ամենը ձեր նախընտրած LLM inference շարժիչի վրա (օրինակ՝ Perplexity կամ Groq)։ Դրանով կարող եք կառուցել ձեր սեփական ավտոմատացված վաճառքի agent կամ հոգ տանել ձեր ընկերության մուտքային աջակցության մասին՝ առանց այս աշխատանքների համար լրացուցիչ անձնակազմ վարձելու։

Համակարգչային խաղեր

Դիտարկելով հետազոտությունները՝ Voyager վերնագրով հոդվածի հեղինակներն ընտրեցին agent-ային աշխատանքային հոսքեր՝ Minecraft-ում ոչ խաղացող հերոսներին (NPC) ավելի համոզիչ նմանակելու և նրանց ավելի մարդու նման պահելու համար։ Նրանք դա արեցին՝ հերոսների դատողության մեջ ներդնելով մարդու նման մեխանիզմներ, ինչպիսիք են շարժողական և էպիզոդիկ հիշողությունը, ռեֆլեկսիան և նույնիսկ նոր բարդ գործողությունների ինքնուրույն ուսումնասիրումը։

Agent-ային ճարտարապետություններ

Agent-ային ճարտարապետությունները նախատեսված են այսօրվա AI-ի բազմաթիվ խնդիրներ լուծելու համար, այդ թվում՝ բազմամոդալ Q&A, երկիմաստ հարցեր, մի քանի փաստաթղթի վրա հիմնվող պատասխաններ և դատողության սխալներ։

Բազմամոդալության ճարտարապետություն

Սա language agent-ի բնորոշ կառուցվածքն է։ Այն սկսվում է օգտատիրոջ հրահանգներից, որոնք backend-ը հետո փաթաթում է ավելի մշակված prompt-ի մեջ՝ պարունակող հասանելի գործիքները (գործողությունների սահմանափակ հավաքածու), օրինակները և առաջադրանքը։ Այդ prompt-ի հիման վրա agent-ը ընտրում է օգտատիրոջ առաջադրանքը կատարելու համար անհրաժեշտ գործիքները, իսկ նշանակված գործիքները տրամադրում և ճշգրտում են ելքը, որպեսզի այն համահունչ մնա prompt-ին։

Հարցման թարգմանություն և պլանավորում

image4

Բացի մոդալություններով առաջադրանքները համատեղելուց, կարող ենք նաև երկիմաստ հարցերը, ինչպես ստորև գրաֆիկում ցուցադրվածը, լուծել քայլ առ քայլ։ Մեկ դժվար հարցին պատասխանելու փոխարեն կարող ենք այն բաժանել ավելի պարզ, ավելի ճշգրիտ առաջադրանքների և դրանց արդյունքները օգտագործել հաղորդագրությանը ճիշտ պատասխանելու համար։

Մետատվյալներով ֆիլտրում և երթուղավորում

image1
Agent-ները կարող են նաև հանդես գալ որպես մետատվյալների ֆիլտրեր՝ նեղացնելով համապատասխան տվյալները կամ տվյալների բազաները՝ ըստ այն բանի, թե ինչի մասին են դրանք։ Վերևի օրինակում օգտատերը ուզում է իմանալ Գերմանիայի լավագույն պիցցերիան։ Երբ պարզ է դառնում, որ հարցը Գերմանիա երկրի մասին է, կարելի է ընտրել գերմանական քաղաքները, ինչպես Բեռլինը կամ Համբուրգը, ընդգրկող տվյալների պահեստները, իսկ անկապ պահեստները, ինչպես Նյու Յորքի ուղեցույցը, դուրս թողնել։

Corrective RAG Agent

image6
Ինքնուղղվող RAG-ը ևս մեկ հետաքրքիր agent ճարտարապետություն է։ Ինչպես ցույց է տալիս դիագրամը, այն բաղկացած է մի քանի քայլից.

  1. Ինչպես ստանդարտ RAG-ում, այն տվյալների պահեստում փնտրում է համապատասխան փաստաթղթեր։
  2. Agent-ը գնահատում է, թե որքան համապատասխան են փաստաթղթերը
  3. Այնուհետև փաստաթղթերը ստուգվում են՝ արդյոք դրանք ոչ մի կապ չունեն հարցի հետ։
  4. Երբ բավարար փաստաթղթեր կան, ստեղծվում է թեկնածու պատասխան։
  5. Վերջին քայլը բաժանված է երկու մասի. պատասխանի գնահատում՝ ստուգելով, արդյոք այն հիմնված է տրամադրված փաստաթղթերի վրա, և որոշում՝ արդյոք այն իսկապես պատասխանում է սկզբնական հարցին։

Agent-ների երկարաժամկետ հիշողություն

Վերջապես, կա օգտատիրոջ մասին երկարաժամկետ հիշողություն պահելու մեխանիզմ, քանի որ դա կարևոր կարող է լինել պատասխաններին ավելի լավ համատեքստ տալու համար։ Դրան հասնելու համար agent-ները օգտատիրոջ հարցերից և պատասխաններից դուրս են բերում հիմնական տեղեկությունը և պահում գիտելիքների տվյալների բազայում։ Նույն կերպ, երբ հանգամանքները փոխվում են (օրինակ՝ մեր օգտատերն ասում է, որ այլևս վեգան չէ), այդ տեղեկությանը վերաբերող յուրաքանչյուր հատված պետք է թարմացվի՝ համապատասխանելու համար։

Եզրակացություն

Այս գրառումը բացատրեց, թե ինչ են language agent-ները և որտեղ կարող եք հանդիպել դրանց։ Առաջին հերթին դիտարկեցինք դրանց ճարտարապետությունների մի ընտրանի, որոնք կարող են օգնել կառուցել չատբոտ համակարգեր, որոնք ավելի լավ են հաղթահարում չատբոտերի բնորոշ խնդիրները։

Մենք ունենք language agent աշխատանքային հոսքերի իրականացման ամուր փորձ, ուստի եթե ձեզ պետք է նման մեկը, ազատ զգացեք կապ հաստատել մեզ հետ։