Andrew Ng: 다중 에이전트 협업이 새로운 핵심이며 소프트웨어 개발과 같은 작업이 더욱 효율적이 될 것입니다.

얼마 전 스탠포드 대학교 Andrew Ng 교수는 연설에서 지능형 에이전트의 엄청난 잠재력을 언급했습니다. 이는 또한 많은 논의를 불러일으켰습니다. 그중 Ng Enda는 GPT-3.5를 기반으로 구축된 에이전트 워크플로가 GPT-4보다 애플리케이션에서 더 나은 성능을 발휘한다고 언급했습니다. 이는 시야를 큰 모델로 제한하는 것이 반드시 권장되는 것은 아니며 에이전트가 사용하는 기본 모델보다 더 나을 수 있음을 보여줍니다.

소프트웨어 개발 분야에서 이러한 에이전트는 효율적으로 협업하고 프로그래밍의 복잡한 문제를 처리하며 자동 코드 생성을 수행하는 고유한 능력을 입증했습니다. 최신 기술 동향은 AI 스마트 커뮤니케이션이 소프트웨어 개발에서 큰 잠재력을 보여주고 있음을 보여줍니다. 데빈을 기억하시나요? 세계 최초의 AI 소프트웨어 엔지니어로 알려져 있는 그는 등장하자마자 우리를 놀라게 했다.

각 구성원이 코드 검토, 오류 감지 또는 새로운 기능 구현과 같은 특정 작업을 전문으로 하는 여러 에이전트로 구성된 팀을 상상해 보세요. 이러한 지능형 개체는 서로의 기능을 보완하고 소프트웨어 프로젝트의 진행을 공동으로 촉진할 수 있습니다. 이렇게 하면 프로그래머의 손이 자유로워지고 더 이상 건초염에 대해 걱정할 필요가 없어지지 않을까요?

Andrew Ng는 우리를 이 분야로 깊이 있게 안내하고 지능형 시스템의 최신 개발을 탐구하는 기사를 썼습니다. 기사에서 언급한 AutoGen, LangGraph 등의 도구가 탄생한 것도 이러한 배경에서 비롯되었습니다. 이러한 도구는 개발자가 AI 에이전트를 보다 쉽게 ​​배포하고 관리하여 잠재력을 최대한 실현할 수 있도록 설계되었습니다. 강력한 프로그래밍 배경 지식이 없는 사람이라도 AI 에이전트를 활용하여 소프트웨어 개발 프로세스를 최적화하고 자동화할 수 있습니다. 다음은 『기계의 심장』을 원래의 의미를 바꾸지 않고 편찬, 번역한 것이다.

원본 링크: https://www.deeplearning.ai/the-batch/issue-245/

에이전트 협업은 제가 최근 편지에서 설명한 네 가지 핵심 AI 에이전트입니다. 디자인 패턴. 소프트웨어 작성과 같은 복잡한 작업의 경우 다중 에이전트 접근 방식은 작업을 여러 역할(예: 소프트웨어 엔지니어, 제품 관리자, 디자이너, QA 엔지니어 등)이 수행하는 하위 작업으로 나누고 여러 에이전트가 다른 하위 작업을 완료할 수 있도록 합니다.

LLM(또는 여러 LLM)을 제공하여 다양한 작업을 수행하는 다양한 에이전트를 구축할 수 있습니다. 예를 들어, 소프트웨어 엔지니어 에이전트를 구축하기 위해 LLM을 제공할 수 있습니다. "당신은 명확하고 효율적인 코드 작성의 전문가입니다. 작업을 수행하기 위한 코드를 작성하십시오...".

동일한 LLM(대형 언어 모델)을 여러 번 호출하지만 다중 에이전트 프로그래밍 추상화 접근 방식을 채택합니다. 이는 직관에 반하는 것처럼 보일 수 있지만 이를 지원하는 데는 여러 가지 이유가 있습니다.

1. 작동합니다! 많은 팀이 이 접근 방식을 사용해 좋은 효과를 얻었으며 결과보다 더 설득력 있는 것은 없습니다. 더욱이 절제 연구(예: AutoGen 논문)에서는 다중 에이전트가 단일 에이전트보다 성능이 뛰어난 것으로 나타났습니다.
2. 오늘날 LLM 중 일부는 매우 긴 입력 컨텍스트를 수용할 수 있지만(예: Gemini 1.5 Pro는 1백만 개의 토큰을 수용할 수 있음) 길고 복잡한 입력을 진정으로 이해하는 능력은 고르지 않습니다. 에이전트 워크플로를 채택하고 LLM이 한 번에 한 가지에만 집중하여 더 나은 성과를 얻을 수 있도록 하세요.
3. 가장 중요한 점은 다중 에이전트 디자인 패턴이 개발자에게 복잡한 작업을 하위 작업으로 분해할 수 있는 프레임워크를 제공한다는 것입니다. 단일 CPU에서 코드를 실행할 때 프로그램을 여러 프로세스나 스레드로 나누는 경우가 많습니다. 이 추상화는 작업을 코딩하기 더 쉬운 하위 작업으로 나누는 데 도움이 됩니다. 다중 에이전트 역할 측면에서 생각하는 것도 유용한 추상화입니다.

많은 회사에서 관리자는 채용할 역할을 결정한 다음 소프트웨어 덩어리 작성이나 연구 보고서 준비와 같은 복잡한 프로젝트를 다양한 직원과 직원에게 할당되는 소규모 작업으로 나누는 방법을 결정하는 경우가 많습니다. 전문적 지식. 여러 에이전트를 사용해도 비슷하게 작동합니다. 각 에이전트는 자체 워크플로를 구현하고 자체 메모리(에이전트 기술에서 빠르게 성장하는 영역입니다. 에이전트가 향후 작업을 더 잘 수행하기 위해 충분한 과거 상호 작용을 기억하는 방법)를 가지며 다른 에이전트에게 도움을 요청할 수도 있습니다. 상담원은 도구를 계획하고 사용할 수도 있습니다. 이로 인해 수많은 LLM 통화가 발생하고 상담원 간 정보 전송이 발생하여 매우 복잡한 작업 흐름이 형성될 수 있습니다.

사람을 관리하는 것은 어렵지만 우리에게 매우 익숙한 일이며 AI 에이전트에 작업을 "고용"하고 할당하는 방법에 대한 정신적 프레임워크를 제공합니다. 다행스럽게도 AI 에이전트를 잘못 관리함으로써 발생하는 피해는 인간을 잘못 관리하는 것보다 훨씬 적습니다!

AutoGen, Crew AI, LangGraph와 같은 새로운 프레임워크는 문제 해결을 위한 풍부한 다중 에이전트 솔루션을 제공합니다. 재미있는 다중 에이전트 시스템을 사용하는 데 관심이 있다면 가상 소프트웨어 회사를 운영하는 에이전트 컬렉션의 오픈 소스 구현인 ChatDev를 확인하세요. GitHub 저장소를 확인하고 저장소를 복제하고 시스템을 직접 실행할 수도 있습니다. 원하는 결과가 항상 나오지 않을 수도 있지만 성능이 얼마나 좋은지 보면 놀랄 수도 있습니다.

이 디자인 패턴을 계획하는 것과 마찬가지로 다중 에이전트 협업의 결과 품질을 예측하기 어렵다는 것을 알았습니다. 특히 에이전트가 자유롭게 상호 작용할 수 있도록 하고 여러 도구를 제공할 때 더욱 그렇습니다. 더 성숙한 성찰 패턴과 도구 사용이 더 안정적입니다. 이러한 에이전트 디자인 패턴을 가지고 재미있게 놀고 놀라운 결과를 얻을 수 있기를 바랍니다! 더 자세히 알아보고 싶다면 다음 기사를 읽어보세요.

• 논문 제목: Communicative Agents for Software Development
• 논문 링크: https://arxiv.org/pdf/2307.07924. pdf

• 논문 제목: AutoGen: 다중 에이전트 대화를 통한 차세대 LLM 애플리케이션 활성화
• 논문 링크: https://arxiv.org/pdf/2308.08155.pdf

• 논문 제목: METAGPT: 다중 에이전트 협업 프레임워크를 위한 메타 프로그래밍
• 논문 링크: https://arxiv.org/pdf/2308.00352.pdf

더 보기 상세 내용은 원문을 읽어주세요.

이 글을 읽은 네티즌들은 큰 감동을 받았습니다. 하지만 일부 네티즌들은 동일하거나 유사한 작업을 수행할 때 다중 에이전트 시스템의 안정성과 예측 가능성을 고려해야 한다고 지적했습니다. 다중 에이전트 협업의 장점과 단점은 무엇이라고 생각하시나요?

위 내용은 Andrew Ng: 다중 에이전트 협업이 새로운 핵심이며 소프트웨어 개발과 같은 작업이 더욱 효율적이 될 것입니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!