GOAT.AI

Frei fließende autonome KI

Zielorientierte Orchestrierung von Agentenaufgaben. Grundsätzlich kommunizieren KI-Agenten miteinander, um Ihre Aufgabe auszuführen.

Beispiel: „Wählen Sie den besten Tag im nächsten Monat für einen 20-km-Halbmarathon.“ KI beginnt mit der Zusammenarbeit: Der Wetteragent ruft Vorhersagen ab, der Websuchagent identifiziert optimale Betriebsbedingungen und der Wolframagent berechnet den „besten Tag“. Es ist die Kunst der vernetzten KI, die komplexe Aufgaben mit Raffinesse vereinfacht.

LLMs als zentraler Mainframe für autonome Agenten sind ein faszinierendes Konzept. Demonstrationen wie AutoGPT, GPT-Engineer und BabyAGI dienen als einfache Veranschaulichung dieser Idee. Das Potenzial von LLMs geht über das Erstellen oder Vervollständigen gut geschriebener Kopien, Geschichten, Aufsätze und Programme hinaus. Sie können als leistungsstarke allgemeine Aufgabenlöser bezeichnet werden, und das ist es, was wir mit dem Aufbau der Goal Oriented Orchestration of Agent Taskforce (GOAT.AI) erreichen wollen.

Damit eine zielorientierte Orchestrierung eines LLM-Agenten-Task-Force-Systems existiert und ordnungsgemäß funktioniert, müssen drei Hauptkernkomponenten des Systems ordnungsgemäß funktionieren

- Überblick

1) Planung

- Unterziele und Zerlegung: Der Agent zerlegt große Aufgaben in kleinere, überschaubare Unterziele und erleichtert so die effiziente Bearbeitung komplexer Aufgaben.

- Reflexion und Verfeinerung: Der Agent betreibt Selbstkritik und Selbstreflexion über vergangene Handlungen, lernt aus Fehlern und verbessert Ansätze für zukünftige Schritte, wodurch die Gesamtqualität der Ergebnisse verbessert wird.

2) Erinnerung

- Kurzzeitgedächtnis: Es bezieht sich auf die Textmenge, die das Modell verarbeiten kann, bevor es ohne Qualitätsverlust antwortet. Im aktuellen Zustand können die LLMs für ca. 128.000 Token Antworten ohne Qualitätsverlust liefern.

- Langzeitgedächtnis: Dadurch kann der Agent eine unbegrenzte Menge an Informationen für den Kontext über lange Zeiträume speichern und abrufen. Dies wird häufig durch die Verwendung eines externen Vektorspeichers für effiziente RAG-Systeme erreicht.

3) Aktionsbereich

– Der Agent erhält die Fähigkeit, externe APIs aufzurufen, um zusätzliche Informationen zu erhalten, die in den Modellgewichten nicht verfügbar sind (die nach dem Vortraining oft schwer zu ändern sind). Dazu gehört der Zugriff auf aktuelle Informationen, das Ausführen von Code, der Zugriff auf proprietäre Informationsquellen und vor allem: das Aufrufen anderer Agenten zum Abrufen von Informationen.

- Der Handlungsraum umfasst auch Handlungen, die nicht darauf abzielen, etwas abzurufen, sondern vielmehr darin bestehen, bestimmte Handlungen auszuführen und das daraus resultierende Ergebnis zu erzielen. Beispiele für solche Aktionen sind das Versenden von E-Mails, das Starten von Apps, das Öffnen von Haustüren und mehr. Diese Aktionen werden normalerweise über verschiedene APIs ausgeführt. Darüber hinaus ist es wichtig zu beachten, dass Agenten auch andere Agenten für umsetzbare Ereignisse aufrufen können, auf die sie Zugriff haben.