Usar o APKPure APP
Obter o APK da versão antiga de GOAT.AI para Android
IA autônoma de fluxo livre
Orquestração orientada a objetivos de tarefas do agente. Basicamente, os Agentes de IA se comunicarão entre si para executar sua tarefa.
Exemplo: “escolha o melhor dia do próximo mês para uma semimaratona de 20 km”. A IA começará a colaborar: o agente meteorológico recupera as previsões, o agente de pesquisa na Web identifica as condições ideais de funcionamento e o agente Wolfram calcula o “melhor dia”. É a arte da IA conectada, simplificando tarefas complexas com sofisticação.
LLMs como mainframe central para agentes autônomos é um conceito intrigante. Demonstrações como AutoGPT, GPT-Engineer e BabyAGI servem como ilustrações simples dessa ideia. O potencial dos LLMs vai além de gerar ou completar cópias, histórias, ensaios e programas bem escritos; eles podem ser enquadrados como poderosos Solucionadores de Tarefas Gerais, e é isso que pretendemos alcançar na construção da Orquestração Orientada a Objetivos da Força-Tarefa de Agentes (GOAT.AI).
Para que uma orquestração orientada a objetivos de um sistema de força-tarefa de agente LLM exista e funcione adequadamente, três componentes principais do sistema devem funcionar corretamente
- Visão geral
1) Planejamento
- Submeta e decomposição: O agente divide tarefas grandes em submetas menores e gerenciáveis, facilitando o gerenciamento eficiente de tarefas complexas.
- Reflexão e refinamento: O agente realiza autocrítica e autorreflexão sobre ações passadas, aprende com os erros e melhora abordagens para etapas futuras, melhorando assim a qualidade geral dos resultados.
2) Memória
- Memória de curto prazo: Refere-se à quantidade de texto que o modelo pode processar antes de responder sem qualquer degradação na qualidade. No estado atual, os LLMs podem fornecer respostas sem qualquer diminuição na qualidade para aproximadamente 128 mil tokens.
- Memória de longo prazo: permite ao agente armazenar e recuperar uma quantidade ilimitada de informações para o contexto durante longos períodos. Muitas vezes isso é conseguido usando um armazenamento de vetores externo para sistemas RAG eficientes.
3) Espaço de Ação
- O agente adquire a capacidade de chamar APIs externas para obter informações adicionais que não estão disponíveis nos pesos do modelo (que muitas vezes são difíceis de modificar após o pré-treinamento). Isso inclui acessar informações atuais, executar código, acessar fontes de informações proprietárias e, o mais importante: invocar outros agentes para recuperação de informações.
- O espaço de ação também abrange ações que não visam recuperar algo, mas envolvem a realização de ações específicas e a obtenção do resultado resultante. Exemplos de tais ações incluem o envio de e-mails, o lançamento de aplicativos, a abertura de portas de entrada e muito mais. Essas ações normalmente são executadas por meio de várias APIs. Além disso, é importante observar que os agentes também podem invocar outros agentes para eventos acionáveis aos quais tenham acesso.
Last updated on Apr 12, 2024
Minor improvements to AI models
Enviado por
Ivan Hernandezv
Requer Android
Android 5.0+
Categoria
Relatório
GOAT.AI
Task to AI Agents1.0.1 by Adaptive Plus inc.
Apr 12, 2024