AutoGPT不靠譜，微軟推出升級版！可編輯自主規劃過程

夕小瑤科技說原創
 作者| iven

火遍全網的AutoGPT^[1]在Github收藏量突破十萬。這種自我規劃、自我執行的智能體首次關注人工智慧模型內部的自我調整與最佳化。

但有不少網友發現，AutoGPT的表現不穩定，死循環是最常見的現象。此外，AutoGPT執行速度很慢，根據網友測試，New Bing需要8s的任務，AutoGPT花了整整8分鐘！

AutoGPT的工作方式使得它對與單一任務要呼叫很多次API，據計算單次任務的成本就超過了100元！顯然這樣的花費對於個人使用是昂貴的。

微軟研究院近日新工作提出Low-code LLM，透過簡單的視覺化作業透過拖曳拖曳的方式與智能體進行協作。

此模式首先讓GPT產生一個任務流程圖，這點與AutoGPT的自我規劃自我執行的邏輯很為相像，但又不同的是，使用者可以直觀地輕鬆地了解和修改整個執行流程，從而有效控制人工智慧的操作。

之所以稱為“Low-code”，是因為它採用了視覺化程式設計的概念，使用者只需透過簡單的點擊和拖曳就可以對流程進行調整。對於複雜的任務，使用者可以將自己的想法或偏好有效地對智能體進行控制。

Low-code LLM產生流程圖是在一次對話中完成的，呼叫API的花費基本上可以忽略不計，而且這樣一次性產生流程圖的方式也避免了AutoGPT中死循環的問題，使得服務更加穩定！

作者發現這項工作放在微軟TaskMatrix.ai^[2]的Repo裡，已經超過30k star。 Visual ChatGPT^[3]也來自同一團隊。 TaskMatrix.AI展現瞭如何連結foundation models和大量的各領域的api實作Task Automation（Visual ChatGPT就是其在視覺領域的一個經典範例）。最新推出的Low-code LLM則可以在與使用者互動方面發揮作用，幫助使用者讓AI更理解使用者到底想做什麼。

論文網址：//m.sbmmt.com/link/de9240f5c623bf031dcf0fca9770db44

論文題目：" Low-code LLM: Visual Programming over LLMs."

開源程式碼：//m.sbmmt.com/link/141aa4fef48df77f954d60a373a3c322

#工作流程

1. Planning LLM對複雜的任務產生一個結構化的流程圖，這一點有點類似AutoGPT通過使用者給予的目標進行自我規劃的思路
2. 使用者透過定義好的低程式碼視覺化操作修改流程圖（包括點擊、拖曳、文字編輯），將自身的偏好、觀點傳達給LLM
3. Executing LLM依照使用者修改好的工作流程執行指令，產生答案
4. 使用者可以參考目前的答案不斷修改流程圖，直到獲得滿意的結果

預先定義的6類low code操作

#該模式的優點如下：

1. 更可控的生成結果：使用者可以直接了解並控制人工智慧的執行邏輯，使結果更容易被預測和控制，更符合用戶的需求；
2. 用戶友好的交互介面：使用者可以直觀地看到執行流程，點擊和拖曳方式也使得操作更加便捷，提高了工作效率；
3. 廣泛的應用場景：該方法可以應用於許多領域，特別是那些用戶的想法和偏好至關重要的場景，文中提出了4種典型案例。

此外，Low-code LLM還可以與外部API擴展，進一步豐富場景應用。例如，有效率地傳達使用者想法和偏好，幫助使用者實現任務自動化。在對接其他工具時，可以將視覺和語音等多種功能整合進來。

AutoGPT和Low-code LLM都在努力提升人工智慧模型的效能和效果，前者關注模型內部的自我優化和學習，後者關注使用者與模型之間的協同和互動。這兩種方法可以互相補充，在不同場景和任務下取得更好的表現。

論文的致謝部分，也提到了這篇文章部分就是透過這種模式進行合作生成的，看來未來人和大模型緊密合作共創不再是夢。

以上是AutoGPT不靠譜，微軟推出升級版！可編輯自主規劃過程的詳細內容。更多資訊請關注PHP中文網其他相關文章！