این پاسخی به یک پست لینکدین است
من فکر می‌کنم زمینه ساخت سیستم‌های هوش مصنوعی عاملی، خود را به فن‌آوران با طیف گسترده‌ای از مهارت‌ها می‌دهد. این سیستم‌ها از چسب برنامه‌ای برای زنجیر کردن و هماهنگ کردن چندین تماس و سیستم هوش مصنوعی با هم استفاده می‌کنند. ابزارهایی که تا کنون به آن نیاز داشته ام، درک دقیق پایتون (نوت بوک های Jupyter خوب هستند) و دسترسی به یک LLM است. مهارت خاص هوش مصنوعی که من بیشتر از آن استفاده کرده ام، بازرسی و ارزیابی خروجی و به روز رسانی سیستم من است. من چندین مقاله تحقیقاتی برای کمک به یادگیری برخی از الگوهای طراحی در حال تحقیق نیز خوانده ام. من به مدل های مختلف توجه نکرده ام و بیشتر روی چالش های زنجیره ای و ارکستراسیون تمرکز کرده ام.
روز به روز:
-
ایجاد یک “عامل” (تماس LLM با پیام کاربر و پیام سیستم)
-
خروجی را در یک فایل ذخیره کنید، آن فایل را بررسی کنید (ببینید آیا آن را دوست دارم یا نه). اگر در دستورات تکرار نشد.
-
یک نماینده دیگر بسازید. خروجی را از آخرین مرحله به عامل جدید لوله کنید. خروجی فایل جدید را بررسی کنید.
-
اشکال را پیدا کنید، 2 عامل قبلی را اصلاح کنید، سوم را بسازید زیرا از 2 عامل آخر خیلی درخواست داشتم.
-
وقتی فهمیدم چه چیز خوبی است. عامل ارزیابی/انتقاد بسازید. اگر ارزیابی‌ها خوب هستند، می‌توانید این خط لوله را با پرسش از ارزیاب که کار کامل شده است، خودکار کنید.
-
چند خط لوله خوب تهیه کنید و سپس شروع به هماهنگ کردن بین لوله ها کنید.
-
اوه، در حالی که شما همه این کارها را انجام می دهید، درک سیستم با نگاه کردن به خروجی های فایل متنی دشوارتر می شود، بنابراین باید دائماً سیستم ثبت گزارش (قابلیت مشاهده) خود را تنظیم کنید تا بتوانید سیگنال در مقابل نویز را تعیین کنید.
