关于AIGC人工智能、思维方式、知识拓展，能力提升等。投稿/合作： @inside1024_bot
AIGC 领域的最新工具、开源项目以及行业大事件
AIGC 领域的最新工具、开源项目以及行业大事件
论文链接是https://arxiv.org/pdf/2404.11584 ，强烈建议每一位对 agent 感兴趣的同好，都去精读几遍。言归正传，下面是我的总结：
一、如何让 agent 更智能
1、明确定义的系统提示,指导智能体的行为和目标
例子:ReAct 方法
在 ReAct 方法中，智能体首先对给定任务进行思考，然后根据这些思考执行动作。这个过程可能会重复进行，直到任务完成。这种方法中的系统提示非常明确，指导智能体首先进行思考，然后行动，这样的循环确保智能体在执行任务时有明确的行为和目标指导。
2、明确的领导和任务分工机制
例子:Embodied LLM Agents Learn to Cooperate in Organized Teams
在这个研究中，团队中的领导智能体对整个团队的效率有显著影响。领导智能体负责指导和分配任务，使得其他智能体可以更专注于执行具体的任务。这种明确的领导和任务分工机制使得团队能够更快地完成任务，减少了无效的沟通和混乱。
3、专门的推理/规划、执行和评估阶段
例子:AgentVerse 方法
AgentVerse 方法中包含了明确的任务执行阶段：招募、协作决策、独立行动执行和评估。这些阶段被严格定义，每个阶段完成后，智能体团队会根据任务进展进行重新组织，确保每个阶段的智能体都最适合当前的工作需求。
4、动态调整的团队结构,根据需要添加或移除智能体
例子:DyLAN 方法
DyLAN 框架通过动态的智能体结构来处理复杂任务，如逻辑推理和代码生成。系统会评估每个智能体在上一轮工作中的贡献，并只将表现最好的智能体保留在下一轮执行中。这种动态调整的团队结构使得智能体团队始终保持最高效率。
5、来自人类或其他智能体的反馈机制
例子:Reflexion 方法
在 Reflexion 方法中，智能体在执行任务的过程中会接收到来自一个语言模型评估器的反馈。这种反馈机制使得智能体能够根据反馈调整自己的行为和策略，从而提高任务完成的成功率和减少错误。例如，如果智能体在执行任务时偏离了正确的轨道，评估器可以指出这一点，并建议智能体如何调整策略以更好地达成目标。这种反馈循环不仅增强了智能体的性能，也提高了其与人类用户的互动质量和信任度。
分享一下自己的微信助手的 AI 工作流：
在构建AI 工作流时，有个很大的感知是，目前的 AI 离普通人（非行业从业者）的想象还挺远，媒体信息会不断地宣扬 AI 多么多么厉害，但实际应用在一个真实的场景时，会出现各种问题，很难达到可用的状态。
例如我输入一段英文，AI 怎么判断你想要的是翻译，还是基于内容的讨论？怎么判断你说的一句话是一个待办还是一篇笔记？
这些都是目前的 AI 无法做到的，所以我在搭建这个微信助手时，把它的范围定在“处理日常简单且高频的事项”。
通过workflow，使 AI 变得没那么性感，但输出变得稳定，然后通过工具（API）来使它实现更多的功能。
附件图片是完整的工作流，只将一些隐私信息遮挡了下。
#AI工作流
在构建AI 工作流时，有个很大的感知是，目前的 AI 离普通人（非行业从业者）的想象还挺远，媒体信息会不断地宣扬 AI 多么多么厉害，但实际应用在一个真实的场景时，会出现各种问题，很难达到可用的状态。
例如我输入一段英文，AI 怎么判断你想要的是翻译，还是基于内容的讨论？怎么判断你说的一句话是一个待办还是一篇笔记？
这些都是目前的 AI 无法做到的，所以我在搭建这个微信助手时，把它的范围定在“处理日常简单且高频的事项”。
通过workflow，使 AI 变得没那么性感，但输出变得稳定，然后通过工具（API）来使它实现更多的功能。
附件图片是完整的工作流，只将一些隐私信息遮挡了下。
#AI工作流
我们没有设计师，所有的设计稿都是通过 tldraw 画出原型，然后直接交由前端开发产出初始版本，并在这个基础上进行优化 & 迭代。
在确定了整套 design system 的前提下，这种方式可以让我们更加 focus 在产品上，并以非常快的速度进行迭代。
