直达「 通往AGI之路 」飞书知识库 →
首页/问答列表/问答详情

multi agent是什么

回答

多智能体（Multi-agent）是指多个相互作用的智能体组成的系统。在人工智能领域，多智能体系统具有广泛的应用。例如，在供应链中，不同经济运营商之间的责任分配存在不确定性。就我国相关规范而言，服务提供者往往是主要责任主体。而在《人工智能法案》中，人工智能系统供应链的参与主体更为细化，包括提供者、部署商、授权代表、进口商和分发商等，它们被统称为“运营者”。2023 年《AI 法案》折衷草案在法律义务分配设计上，特别是对于高风险人工智能系统，提供者和部署商将承担主要义务。其中，提供者承担最广泛的合规义务，包括建立风险管理制度和质量管理制度等，涵盖人工智能系统生命周期的事前和事后环节；部署商的义务则主要集中于确保对高风险人工智能系统的人工监督和日常检测义务，主要覆盖人工智能生命周期的事中环节。

内容由 AI 大模型生成，请仔细甄别（powered by aily）

参考资料

【非官方解读】全球人工智能治理大变局之欧盟人工智能治理 监管框架评述及启示

人工智能系统从研发到投放市场涉及多个主体，特别是当委托代理或授权关系进行介入的情况下主体之间的关系将更为复杂。就我国的相关具体人工智能规范而言，服务提供者往往是主要的责任主体。在《人工智能法案》中，人工智能系统供应链的参与主体更为细化，具体包括提供者、部署商、授权代表、进口商和分发商，它们被统称为“运营者”。2023年《AI法案》折衷草案在法律义务分配设计上，特别是对于高风险人工智能系统，提供者，其次是部署商，将承担主要的义务（Art16）。其中，提供者将承担最广泛的合规义务，包括建立风险管理制度和质量管理制度等，涵盖人工智能系统生命周期的事前和事后环节。而部署商的义务则主要集中于确保对高风险人工智能系统的人工监督和日常检测义务，主要覆盖人工智能生命周期的事中环节（Art29）。

【05】衣服DIY！在线生图定制自己的T恤衫

#主体：形象（长毛金吉拉猫、美国短毛银渐层猫、柴犬、哈士奇）描述（可爱的、帅的、开心的、快乐）五官（圆圆的青色大眼睛）动作（看着镜头、耸立）

质朴发言：视觉-语言理解模型的当前技术边界与未来应用想象｜Z 研究第 2 期

•🔥Vision-Language Models for Vision Tasks:A Survey•🔥Visual Instruction Tuning towards General-Purpose Multimodal Model:A Survey•🔥ViTs are Everywhere:A Comprehensive StudyShowcasing Vision Transformers in Different Domain•🔥Multimodal Foundation Models:From Specialists to General-Purpose Assistants•Vision-Language Pre-training:Basics,Recent Advances,and Future Trends•An Image is Worth 16x16 Words:Transformers for Image Recognition at Scale•COGVLM:VISUAL EXPERT FOR LARGE LANGUAGE MODELS•CogAgent:A Visual Language Model for GUI Agents•AppAgent:Multimodal Agents as Smartphone Users•Gemini:A Family of Highly Capable Multimodal Models•Qwen-VL:A Versatile Vision-Language Model for Understanding,Localization,Text Reading,and Beyond•arxiv:ChatVideo:A Tracklet-centric Multimodal and Versatile Video Understanding System•arxiv:Video Understanding with Large Language Models:A Survey•arxiv:Vid2Seq:Large-Scale Pretraining of a Visual Language Model for Dense Video Captioning•CSDN博客：视频理解多模态大模型（大模型基础、微调、视频理解基础）•CSDN博客：逐字稿| 9视频理解论文串讲（下）【论文精读】_视频理解论文串讲（下）•Youtube:Two-stream Convolutional Networks for Action Recognition in Videos•arxiv:Is Space-Time Attention All You Need for Video Understanding?•Learning Transferable Visual Models From Natural Language Supervision•李沐论文精读系列二：Vision Transformer、MAE、Swin-Transformer_李沐讲vit-CSDN博客•Twelve Labs is building models that can understand videos at a deep level•Google MUM相关内容：venturebeat.com、blog.research.google•Scaling multimodal understanding to long videos

其他人在问
agent案例
以下是为您提供的关于 Agent 的相关案例和信息： 四种 Agent 设计范式： Reflection（反思）：类似于 AI 的自我纠错和迭代。例如让用 Reflection 构建好的 AI 系统写代码，AI 会把代码加上检查正确性和修改的话术再返回给自己，然后反复进行，完成自我迭代。 Tool Use（工具使用）：大语言模型调用插件，极大拓展了 LLM 的边界能力。 智能体的类型： 简单反应型智能体（Reactive Agents）：根据当前感知输入直接采取行动，不维护内部状态和考虑历史信息。例如温控器。 基于模型的智能体（Modelbased Agents）：维护内部状态，对当前和历史感知输入进行建模，能推理未来状态变化并采取行动。例如自动驾驶汽车。 目标导向型智能体（Goalbased Agents）：具有明确目标，能根据目标评估行动方案并选择最优行动。例如机器人导航系统。 效用型智能体（Utilitybased Agents）：不仅有目标，还能量化不同状态的效用值，选择效用最大化的行动。例如金融交易智能体。 学习型智能体（Learning Agents）：能够通过与环境交互不断改进性能，学习模型、行为策略和目标函数。例如强化学习智能体。 从产品角度思考 Agent 设计： Agent 可以是一个历史新闻探索向导，身份为历史新闻探索向导，性格知识渊博、温暖亲切、富有同情心，角色是主导新闻解析和历史背景分析。为使角色更生动，可设计简短背景故事。 写好角色个性包括：编写背景故事明确起源、经历和动机；定义性格特点和说话方式风格；设计对话风格；明确核心功能和附加功能。
2024-11-05
AI Agent 规划是什么，怎么使用
AI Agent 规划是一个复杂但关键的概念，主要包括以下方面： 自行规划任务执行的工作流路径，适用于简单或线性流程的运行。例如，先识别男孩的姿势，再利用相关模型合成新的女孩图像，接着使用特定模型处理，最后进行语音合成输出。 包含子目标分解、反思与改进。子目标分解将大型任务分解为较小可管理的子目标，以处理复杂任务。反思与改进则可以对过去的行动进行自我批评和自我反思，从错误中学习并改进未来的步骤，从而提高最终结果的质量。 规划通常涉及五种主要方法： 任务分解：将复杂任务分解为简单子任务以简化问题，如 CoT（2022）、ReAct（2022）、HuggingGPT（2023）等。 多计划选择：生成多个备选计划并通过搜索算法选择最优计划执行，如 ToT（2023）、GoT（2023）、LLMMCTS（2023）。 外部模块辅助规划：引入外部规划器来提升规划过程，解决效率和可行性问题，如 LLM+P（2023）、LLMDP（2023）、DRRN（2015）。 反思与细化：通过反思和细化提高规划能力，纠正错误，如 Reflexion（2023）、CRITIC（2023）、SelfRefine（2023）。 记忆增强规划：利用额外记忆模块增强规划能力，存储有价值的信息，如 REMEMBER（2023）、MemoryBank（2023）。 在使用方面，AI Agent 的规划可以帮助其更高效、准确地完成任务，例如在多角色协作的场景中，不同角色的 Agent 相互协作，根据需求共同开发一个应用或者复杂程序。同时，OpenAI 的研究主管 Lilian Weng 提出了“Agent = LLM + 规划 + 记忆 + 工具使用”的基础架构，其中大模型 LLM 扮演了 Agent 的“大脑”。
2024-11-05
请帮我总结AI AGENT的总体架构，帮助我更快学习相关的知识，尽快进行具体场景的商业落地
AI Agent 是一个融合了多学科精髓的综合实体，不仅有实体形态，还有丰富的概念形态，并具备许多人类特有的属性。其总体架构包括以下方面： 1. 大模型 LLM 扮演“大脑”。 2. 规划：包括子目标分解、反思与改进。子目标分解将大型任务分解为较小可管理的子目标以处理复杂任务；反思和改进可对过去的行动进行自我批评和反思，从错误中学习并改进未来步骤，提高最终结果质量。 3. 记忆。 此外，AI Agent 还具有以下特点和应用： 1. 能够自行规划任务执行的工作流路径，面向简单或线性流程的运行。 2. 可以实现多 Agent 协作，例如让大语言模型扮演不同角色，相互协作共同开发应用或复杂程序。
2024-11-04
你能帮我找到这篇报告吗？他的名字是《InfoQ：中国AI Agent应用研究报告2024》
以下是为您找到的《InfoQ：中国 AI Agent 应用研究报告 2024》的链接：https://waytoagi.feishu.cn/record/Y45LrXJiwe4SgYc5tMZcVVtqn6b
2024-10-31
传统的agent是怎么定义的
传统的 agent 定义如下： 在古希腊哲学中，对“行动者”（Agent）的探讨深刻影响了后世对道德责任和个体决策的理解。尽管当时未使用现代意义的“Agent”术语，苏格拉底、柏拉图和亚里士多德等哲学家已为其奠定基础。 亚里士多德在《尼各马科伦理学》中探讨德性伦理学，认为人的善良和幸福源自由理性和智慧引导的德性生活，区分了“被动行为”与“主动行为”，强调有道德价值的行为应是个体自愿且有明确意图的选择，个体作为行动者不仅要靠理性指导行为，还要对自愿行为承担道德责任。 苏格拉底通过独特对话法促使人们自我反省，考察行为是否符合道德标准，提出“无人有意作恶”，认为错误源于无知，主张通过增长智慧和美德引导正确决策。 柏拉图在《理想国》中构建理想社会模型，探讨灵魂三部分关系，认为理性主导时个体才能做出正确选择，将知识与道德紧密相连。 虽然古希腊哲学家未直接讨论“自由意志”，但他们关于个体自主决策及对结果负责的思考，对后世关于自由意志和道德责任的讨论影响深远，亚里士多德强调人作为理性动物应依据内在理性及外在自然法则实现德性和善。 在 20 世纪 60 年代，马文·明斯基定义“Agent”为一个自主、独立运行的计算或认知实体，具备感知、决策和执行任务的能力，有自己的目标、行为和策略，能与其他 Agent 交互和协作，可视为智能系统中的功能模块，在不同层次执行不同功能，通过协作实现复杂智能行为。在其著作《心智社会》中，深入探讨了人类思维和人工智能的复杂关系。
2024-10-28
Agent是什么 AI agent是什么
AI Agent 是基于大型语言模型（LLM）和其他技术实现的智能实体，其核心功能在于自主理解、规划决策、执行复杂任务。 心灵社会理论认为，智能是由许多简单的 Agent（分等级、分功能的计算单元）共同工作和相互作用的结果。这些 Agent 在不同层次上执行不同的功能，通过协作实现复杂的智能行为。心灵社会将智能划分为多个层次，从低层次的感知和反应到高层次的规划和决策，每个层次由多个 Agent 负责。每个 Agent 类似于功能模块，专门处理特定类型的信息或执行特定任务，如视觉处理、语言理解、运动控制等。智能不是集中在单一的核心处理单元，而是通过多个相互关联的 Agent 共同实现，这种分布式智能能够提高系统的灵活性和鲁棒性，应对复杂和多变的环境。 同时，在《心灵社会》中，明斯基还详细描述了不同类型的 Agent 及其功能，包括专家 Agent（拥有特定领域知识和技能，负责处理复杂的任务和解决特定问题）、管理 Agent（协调和控制其他 Agent 的活动，确保整体系统协调一致地运行）、学习 Agent（通过经验和交互，不断调整和优化自身行为，提高系统在不断变化环境中的适应能力）。 从达特茅斯会议开始讨论人工智能（Artificial Intelligence），到马文·明斯基引入“Agent”概念，“AI”和“Agent”就彻底聚齐了，往后，我们都将其称之为 AI Agent。 AI Agent 还包括下面几个概念： 1. Chain：通常一个 AI Agent 可能由多个 Chain 组成。一个 Chain 视作是一个步骤，可以接受一些输入变量，产生一些输出变量。大部分的 Chain 是大语言模型完成的 LLM Chain。 2. Router：可以使用一些判定（甚至可以用 LLM 来判定），然后让 Agent 走向不同的 Chain。例如：如果这是一个图片，则 a；否则 b。 3. Tool：Agent 上可以进行的一次工具调用。例如，对互联网的一次搜索，对数据库的一次检索。 此外，还需要三个 Agent： 1. Responser Agent：主 agent，用于回复用户（伪多模态）。 2. Background Agent：背景 agent，用于推进角色当前状态（例如进入下一个剧本，抽检生成增长的记忆体）。 3. Daily Agent：每日 agent，用于生成剧本，配套的图片，以及每日朋友圈。 Responser Agent、Daily Agent、Background Agent 每隔一段时间运行一次（默认 3 分钟），运行时会分析期间的历史对话，变更人物关系（亲密度，了解度等），变更反感度，如果超标则拉黑用户，抽简对话内容，提取人物和用户的信息成为“增长的记忆体”，按照时间推进人物剧本，有概率主动聊天（与亲密度正相关，跳过夜间时间）。
2024-10-28
mat1 and mat2 shapes cannot be multiplied的错误原因与解决方法
很抱歉，目前知识库中没有关于“mat1 and mat2 shapes cannot be multiplied”错误原因与解决方法的相关内容。但通常这种错误可能是由于矩阵的维度不匹配导致的。您可以检查矩阵 mat1 和 mat2 的形状，确保它们满足乘法运算的规则。例如，如果是二维矩阵相乘，第一个矩阵的列数应该等于第二个矩阵的行数。解决方法可能包括重新调整矩阵的形状，或者检查数据处理和运算的逻辑，确保矩阵的维度在进行乘法运算时是正确匹配的。
2024-10-22
Way to AGI multi-language support
以下是关于 AGI 多语言支持的相关信息： OpenVoice V2 版本已推出，支持多语言，包括英语、西班牙语、法语、中文、日语和韩语。音质有所提升，可复制任何声音，并能精细控制情感、口音和语调。相关链接：https://xiaohu.ai/p/6726 、https://x.com/imxiaohu/status/1783312237937005043 在广义语言方面，当前大多数国家之间语言的高质量翻译可以实现，编程语言之间的相互翻译能力也不错，但人的语言与机器语言之间的翻译还需改进，这需要 AI 具备更强的理解、假设和解决问题的能力，这也是 AI Agent 要实现的目标。
2024-08-15
有哪些常见的multi agent调度模式？
在多智能体（MultiAgent）系统中，常见的调度模式主要有以下几种： 1. 集中式调度（Centralized Scheduling） 在这种模式下，有一个中央控制器负责收集所有智能体的信息，并做出整体最优的决策和资源分配。常见于需要全局协调的场景，如机器人协作、交通管制等。 2. 分布式调度（Distributed Scheduling） 每个智能体根据本地信息和与其他智能体的交互来做出决策，无需中央控制器。常用于大规模、动态、开放的系统，如传感器网络、P2P 网络等。 3. 市场驱动调度（MarketDriven Scheduling） 智能体通过竞价机制获取资源和任务分配。类似于现实市场的供需规律，常用于电力负载调度、计算资源分配等领域。 4. 约束优化调度（Constraint Optimization Scheduling） 将多智能体协作问题建模为分布式约束优化问题，通过启发式或完全算法求解近似最优解。适用于任务分配、资源规划等约束严格的场景。 5. 组织结构调度（Organizational Structuring） 根据特定的组织拓扑结构（层级、同辈、联盟等）对智能体角色和协作模式进行规范，实现有序调度。常见于多机器人协作、组织自动化系统中。 6. 基于规范协议的调度（Normbased Scheduling） 定义一组协议规范来约束智能体的行为，并由规范引擎统一调度和裁决。适用于开放、异构的多智能体系统。 这些调度模式各有利弊，实际应用时需要根据系统的特点、约束和目标进行选择和设计。同时也可以采用混合模式，结合不同模式的优点。调度质量和系统性能是评价标准。
2024-04-19
Multi-Agent是什么
关于多智能体（MultiAgent） 多智能体是由多个自主、独立的智能体组成的系统。在这个系统中，每个智能体都能够感知环境、进行决策并执行任务，同时它们之间可以进行信息共享、任务协调以及协同行动，以实现整体的目标。 随着大型语言模型（LLM）的出现，以LLM为核心构建的Agent系统近期受到了广泛关注。Agent系统旨在利用LLM的归纳推理能力，为不同的Agent分配角色和任务信息，并配备相应的工具插件，以完成复杂的任务。 目前，更常见的框架主要集中在单Agent场景下。单Agent的核心在于LLM与工具的协同配合。LLM根据用户任务的理解，推理出需要调用的工具，并根据调用结果向用户提供反馈。在任务完成过程中，Agent可能需要与用户进行多轮交互。 与此同时，越来越多的Agent框架开始关注多Agent场景。为了完成任务，多Agent会为不同的Agent指定不同的角色，并通过Agent之间的协作来完成复杂的任务。与单Agent相比，在任务完成过程中，与用户的交互可能会减少一些。 主要组成部分 为构建一个多Agent框架，我们需要思考相对于单Agent，框架中增加了哪些组件。 环境（environment）：所有Agent应该处于同一个环境中。环境中包含全局状态信息，Agent与环境之间存在信息的交互与更新。 阶段（stage）：为了完成复杂任务，现有多Agent框架通常采用SOP思想，将复杂任务分解为多个子任务。 控制器（controller）：控制器可以是LLM，也可以是预先定义好的规则。它主要负责环境在不同Agent和阶段之间的切换。 记忆：在单Agent中，记忆只包括用户、LLM回应和工具调用结果等部分。而在多Agent框架中，由于Agent数量增多，导致消息数量增多。同时，每条消息可能需要记录发送方、接收方等字段。 核心交互流程 1. 控制器更新当前环境状态，选择下一时刻行动的Agent。 2. Agent与环境交互，更新自身的记忆信息。 3. Agent调用LLM，执行动作并获取输出消息。 4. 将输出消息更新到公共环境中。
2024-04-15