moyin/fzu-product
1
0
Fork 0
Code Issues 1 Pull Requests Packages Projects Releases Wiki Activity

Update

Browse Source 
many chore
This commit is contained in:
FallenYing
2023-08-06 22:46:43 +08:00
parent 97d86551e9
commit 1ea114cd6c
10 changed files with 242 additions and 235 deletions
Download Patch File Download Diff File Expand all files Collapse all files

117
4.人工智能/4.11从 AI 到 智能系统 —— 从 LLMs 到 Agents.md
View File

@@ -6,16 +6,16 @@ author:廖总
先声夺人：AI 时代最大的陷阱，就是盲目考察 AI 能为我们做什么，而不去考虑我们能为 AI 提供什么
### <em>免责声明</em>
## <em>免责声明</em>
本文纯文本量达 16k（我也不知道字数统计的 28k 是怎么来的），在这 游离散乱的主线 和 支离破碎的文字 中挣扎，可能浪费您生命中宝贵的十数分钟。
但如果您坚持尝试阅读，可能看到如下内容（假设没在其中绕晕的话 ）：
但如果您坚持尝试阅读，可能看到如下内容（假设没在其中绕晕的话）：
- 对大语言模型本质 以及 AI 时代人们生产创作本位 的讨论
- 对大语言模型 上下文学习（In-Context Learning，ICL）和 思维链（Chain of Thought，COT）能力的几种通识性认知
- 围绕 Prompt Decomposition 对使用大语言模型构建复杂应用的基础讨论
- 对当前热门大模型 Agent 化框架（如 Generative Agents （即斯坦福 25 人小镇）、AutoGPT）其本质的讨论
- 对当前热门大模型 Agent 化框架（如 Generative Agents（即斯坦福 25 人小镇）、AutoGPT）其本质的讨论
- 对使用大语言模型构建智能系统（基于全局工作空间意识理论）的初步讨论
- 对使用大语言模型构建符合当今生产需求的智能系统的方法论讨论
@@ -31,7 +31,7 @@ author:廖总
- LLMs 能力考察：讨论了大语言模型涌现的一系列基本能力，并讨论基于这些基本能力和工程化，大模型能做到哪一步
- Decomp 方法论：将大语言模型微分化使用的方法论，以此展开对大语言模型的新认知
- AI 作为智能系统：结合 Generative Agents、AutoGPT 两项工作讨论大语言模型本身的局限性，围绕人类认知模型的启发，讨论通过构建复杂系统使得 LLMs Agent 化的可能性
- 予智能以信息：讨论基于 LLMs 构建能够充分帮助我们提升生产力的 AI 剩余的一切痛点。借以回到主题 —— 在 AI 时代，我们要打造什么样的生产和信息管理新范式 （有一说，还是空口无凭）
- 予智能以信息：讨论基于 LLMs 构建能够充分帮助我们提升生产力的 AI 剩余的一切痛点。借以回到主题 —— 在 AI 时代，我们要打造什么样的生产和信息管理新范式（有一说，还是空口无凭）
总体而言，本文包括对 LLM 领域近一个月的最新几项工作（TaskMatrix、HuggingGPT、Generative Agents、AutoGPT）的讨论，并基于此考察一个真正可用的 AI 会以什么样的形态出现在我们面前。
@@ -43,7 +43,7 @@ author:廖总
仅作展望。
# 引言
## 引言
在开启正式讨论之前，我们希望从两个角度分别对 AI 进行讨论，从而夹逼出我们 从 AI 到 智能系统 的主题
@@ -56,7 +56,7 @@ author:廖总
以前只知前边两句，现在才知精髓全在后者
## 形而下者器：LLMs + DB 的使用样例
### 形而下者器：LLMs + DB 的使用样例
（为了不让话题一开场就显得那么无聊，我们先来谈点有意思的例子）
@@ -77,7 +77,7 @@ author:廖总
（后面会给出更多关联的讨论，这里就先不赘叙了）
## 形而上者道：对 LLM 既有智能能力及其局限性的讨论
### 形而上者道：对 LLM 既有智能能力及其局限性的讨论
这一节中，想讨论一下人工智能与人类智能的碰撞（）
@@ -99,7 +99,7 @@ ChatGPT Plugins 在两篇论文两个角度的基础上，对 LLMs 的能力的
- 为 AI 提供接口，为 AI 拓展能力
- 建模自身问题，促进有效生成
### 从人工智能到人类智能
#### 从人工智能到人类智能
在上面的论断中，我们看似已经能将绝大多数智能能力出让予 AI 了，但我还想从另一角度对 AI 与人类的能力进行展开讨论：
@@ -109,7 +109,7 @@ ChatGPT Plugins 在两篇论文两个角度的基础上，对 LLMs 的能力的
- “人工”智能：辅佐 AI 实现的智能
- 人类智能：于人类独一无二的东西
### AI 智能的形态
#### AI 智能的形态
大语言模型的原始目的是制造一个“压缩器”，设计者们希望他能有效地学习世界上所有信息，并对其进行通用的压缩。
@@ -120,11 +120,11 @@ ChatGPT Plugins 在两篇论文两个角度的基础上，对 LLMs 的能力的
> “人总是要死的，苏格拉底也是人，所以苏格拉底是要死的”<br/>这是一个经典苏格拉底式的三段论，其中蕴含着人类对于演绎推理能力的智慧。<br/>假设上面的样本是 LLM 既有学习的，而这时来了一个新的样本：<br/>“人不吃饭会被饿死，我是人，所以我也是要恰饭的嘛”<br/>那么对于一个理想的智能压缩器而言，其可能发现新句与旧句之间的关联，并有效学习到了句子的表征形式及其背后的逻辑
$$
S1=<(人,苏格拉底,死),三段式推理>
S1=<(人，苏格拉底，死),三段式推理>
$$
$$
S2=<(人,我,恰饭),三段式推理>
S2=<(人，我，恰饭),三段式推理>
$$
> 而随后，压缩器会倾向于储存三段式推理这一智能结构，并在一定程度上丢弃后来的（人，我，恰饭）这一实体关系组，仅简单建模其间联系，并在生成时按需调整预测权重。
@@ -144,7 +144,7 @@ LLM 的实质上还是通过“语言结构”对“外显人类智能”进行
而也正是这些固有缺陷，为人类的自我定位和进一步利用 AI 找到了立足点。
### 赋能 AI 实现智能
#### 赋能 AI 实现智能
作为上面一点的衍生，我们可以从大体两个角度去辅助 AI 智能的实现：
@@ -200,13 +200,13 @@ LLM 的实质上还是通过“语言结构”对“外显人类智能”进行
简而言之，我希望能追随着 AI 的发展，讨论是否能构建这样一个通用的 AI 框架，并将其引入工作生产的方方面面。希望能讨论及如何对生产信息进行有效的管理，也包括如何让我们更好调用 AI，如何让 AI 满足我们的生产需要。
# LLMs：生成原理及能力考察
## LLMs：生成原理及能力考察
相信无论是否专业，各位对 LLMs 的生成原理都有着一定的认知
简单来说，这就是一个单字接龙游戏，通过自回归地预测“下一个字”。在这个过程的训练中，LLMs 学习到了知识结构，乃至一系列更复杂的底层关联，成为了一种人类无法理解的智能体。
## In-Context Learning / Chain of Thought
### In-Context Learning / Chain of Thought
经过人们对模型背后能力的不懈考察，发现了一系列亮点，其中最瞩目的还是两点：
@@ -233,8 +233,7 @@ COT 为输出增加关联
进一步的，ICL 的发现，让 LLMs 能避免过多的传统 Finetune，轻易将能力运用在当前的情景中；COT 的发现，使得通过 LLMs 解决复杂问题成为可能。此二者的组合，为 LLMs 的通用能力打下了基础。
## TaskMatrix.AI
### TaskMatrix.AI
微软对 [TaskMatrix.AI](https://arxiv.org/abs/2303.16434) 这一项目的研究，很大程度上展示了 LLMs 基于 ICL 和 COT 所能展现的能力
@@ -261,7 +260,7 @@ TaskMatrix 的生态愿景
（当然，硬要说的话，对 ICL 和 COT 两种能力都有一个狭义与广义之争，但这不重要，因为我喜欢广义）
### ICL for TaskMatrix
#### ICL for TaskMatrix
> 狭义的 ICL：从输入的既有样例中学习分布和规范<br/>广义的 ICL：有效的将输入内容有效运用到输出中
@@ -295,13 +294,13 @@ TaskMatrix 自动围绕目标拆解任务
TaskMatrix 自动为任务创建 API 调用链
## 初步考察
### 初步考察
基于上述的简单介绍，我们已经初步认识了 AI 在实际情景中的高度可用性
而接下来，我们继续从工程的角度揭示这种可用性的根源 —— 其源自一项通用的 Prompt 技术
# Prompt Decomposition：方法论
## Prompt Decomposition：方法论
我们可以认为，TaskMatirx 的能力极大程度上依托于 Prompt Decomposition 的方法
@@ -309,7 +308,7 @@ TaskMatrix 自动为任务创建 API 调用链
[[2210.02406] Decomposed Prompting: A Modular Approach for Solving Complex Tasks (](https://arxiv.org/abs/2210.02406)[arxiv.org](https://arxiv.org/abs/2210.02406)[)](https://arxiv.org/abs/2210.02406)
## 原始 Decomp
### 原始 Decomp
Decomp 的核心思想为将复杂问题通过 Prompt 技巧，将一个复杂的问题由 LLMs 自主划分为多个子任务。随后，我们通过 LLMs 完成多个任务，并将过程信息最终组合并输出理想的效果
@@ -327,7 +326,7 @@ Decomp 方法执行样例
在实际运行中，Decomp 过程由一个任务分解器，和一组程序解析器组成
其中分解器作为语言中枢，需要被授予如何分解复杂任务 —— 其将根据一个问题 Q 构建一个完整的提示程序 P ，这个程序包含一系列简单的子问题 Q_i，以及用于处理该子问题的专用函数 f_i（可以通过特定小型 LLM 或专用程序，也可以以更小的提示程序 P_i 形式呈现）。
其中分解器作为语言中枢，需要被授予如何分解复杂任务 —— 其将根据一个问题 Q 构建一个完整的提示程序 P，这个程序包含一系列简单的子问题 Q_i，以及用于处理该子问题的专用函数 f_i（可以通过特定小型 LLM 或专用程序，也可以以更小的提示程序 P_i 形式呈现）。
模型将通过递归运行完整的提示程序，来获得理想的答案。
@@ -335,15 +334,15 @@ Decomp 方法执行样例
我们也可以认为，在每个子任务中，我们通过 Prompt 将 LLMs 的能力进行了劣化，从而让其成为一个专职的功能零件。而这种对单个 LLMs 能力迷信的削减，正延伸出了后续的发展趋势。
## Decomp 衍生
### Decomp 衍生
Decomp 的原始功能实际上并不值得太过关注，但我们急需考虑，该方法还能用于处理些什么问题。
### 递归调用
#### 递归调用
我们可以构建规则，让 Decomp 方法中的分解器递归调用自身，从而使得一个可能困难的问题无限细分，并最终得以解决
### 外部调用
#### 外部调用
通过问题的分解和通过“专用函数”的执行，我们可以轻易让 LLMs 实现自身无法做到的调用 API 工作，例如主动从外部检索获取回答问题所需要的知识。
@@ -355,7 +354,7 @@ Decomp 方法调用外部接口样例
基于此，我们还希望进一步研究基于这些机制能整出什么花活儿，并能讨论如何进一步利用 LLMs 的能力
## 回顾：HuggingGPT 对 Decomp 方法的使用
### 回顾：HuggingGPT 对 Decomp 方法的使用
[HuggingGPT](https://arxiv.org/abs/2303.17580) 一文也许并未直接参考 Decomp 方法，而是用一些更规范的手法完成该任务，但其充分流水线化的 Prompt 工程无疑是 Decomp 方法在落地实践上的最佳注脚
@@ -373,7 +372,7 @@ HuggingGPT
接下来，我们会讨论一个很新的，在为 Agent 模拟任务构建框架上，把 Decomp 和 Prompting 技术用到登峰造极的样例。
# Generative Agents：社群模拟实验
## Generative Agents：社群模拟实验
[[2304.03442] Generative Agents: Interactive Simulacra of Human Behavior (](https://arxiv.org/abs/2304.03442)[arxiv.org](https://arxiv.org/abs/2304.03442)[)](https://arxiv.org/abs/2304.03442)
@@ -383,7 +382,7 @@ Generative Agents 一文通过的自然语言框架 AI 构建出了一个模拟
因为，其本质是一个信息管理框架的实验。
## 简要介绍
### 简要介绍
简单介绍该项目构建的框架：
@@ -399,7 +398,7 @@ Generative Agents 构建了一套框架，让 NPC 可以感知被模块化的世
根据 NPC 的决策，NPC 能反向更新自身所使用的记忆数据库，并提炼总结出高层记忆供后续使用。
## 世界沙盒的构建
### 世界沙盒的构建
相比角色信息的构建是重头戏，世界沙盒的构建使用的方法要相对朴素一些
@@ -419,7 +418,7 @@ Generative Agents 的场景信息管理
同时，空间信息会被自动组成自然语言 Prompt，用于帮助 Agent 更好地理解外部信息。甚至当 Agent 希望获取空间信息时，其能主动递归调用世界信息，从而让 NPC 能准确找到其希望抵达的叶子节点。
## Agent 构建
### Agent 构建
模型中的 Agent 由 数据库 + LLMs 构建
@@ -431,13 +430,13 @@ Generative Agents 的场景信息管理
而对于过去经验的输入，则是文章的一大亮点
## 记忆模式
### 记忆模式
对于 Agent 的记忆，依托于一个储存信息流的数据库
数据库中核心储存三类关键记忆信息 memory, planning and reflection
### Memory
#### Memory
对于 Agent 每个时间步观测到的事件，会被顺序标记时间戳储存进记忆数据库中
@@ -449,11 +448,11 @@ Generative Agents 的场景信息管理
对于对记忆数据库进行索引的情况，会实时评估上述三个指标，并组合权重，返回对记忆索引内容的排序
### Reflection
#### Reflection
反思机制用于定期整理当前的 memory 数据库，让 npc 构建对世界和自身的高层认知
反思机制依靠一个自动的过程，反思-提问-解答
反思机制依靠一个自动的过程，反思 - 提问 - 解答
在这个过程中，Agent 需要复盘自身所接受的记忆，并基于记忆对自己进行追问：
@@ -465,7 +464,7 @@ Generative Agents 的场景信息管理
进一步的，我们将这些洞察以相同的形式重新储存至记忆库中，由此模拟人类的记忆认知过程
### Planning
#### Planning
Planning 的核心在于鼓励 Agent 为未来做出一定的规划，使得后续行动变得可信
@@ -475,13 +474,13 @@ Planning 的核心在于鼓励 Agent 为未来做出一定的规划，使得后
在此基础上，Agent 也需要对环境做出反应而调整自己的计划表（例如自身判断外界交互的优先级比当前计划更高。
## 交互构建
### 交互构建
基于上述记忆框架，进一步实时让 Agent 自行感知并选择与其它 Agent 构建交互
并最终使得复杂的社群在交互中涌现
## 启发
### 启发
Generative Agent 框架主要带来了一些启发，不止于 AI-NPC 的构建，其操作的诸多细节都是能进一步为我们在实际的工程中所延拓的。
@@ -497,7 +496,7 @@ Generative Agent 框架主要带来了一些启发，不止于 AI-NPC 的构建
- AI x 信息自动化系统的构建：基于 AI + 软件系统而非基于人工对数据进行收集和管理
- etc...
# AutoGPT：自动化的智能软件系统
## AutoGPT：自动化的智能软件系统
[Torantulino/Auto-GPT: An experimental open-source attempt to make GPT-4 fully autonomous. (](https://github.com/Torantulino/Auto-GPT)[github.com](https://github.com/Torantulino/Auto-GPT)[)](https://github.com/Torantulino/Auto-GPT)[github.com/Torantulino/Auto-GPT](https://github.com/Torantulino/Auto-GPT)
@@ -530,7 +529,7 @@ AutoGPT 主要特性如下：
（如下是 AutoGPT 的基础 Prompt）
```
```txt
[
{
'content': 'You are Eliza, an AI designed to write code according to my requirements.\n'
@@ -613,7 +612,7 @@ AutoGPT 主要特性如下：
]
```
# 回归正题：AI 作为智能系统
## 回归正题：AI 作为智能系统
作为正题的回归，我们需要重新考虑什么是一个 AI，一个能帮助我们的 AI 应当处于什么样的现实形态？
@@ -625,7 +624,7 @@ AutoGPT 主要特性如下：
接下来，我们会围绕此进行展开
## 意识理论之于 AI：全局工作空间理论
### 意识理论之于 AI：全局工作空间理论
全局工作空间理论（英语：Global workspace theory，GWT）是美国心理学家伯纳德·巴尔斯提出的[意识](https://zh.wikipedia.org/wiki/%E6%84%8F%E8%AF%86)模型。该理论假设意识与一个全局的“广播系统”相关联，这个系统会在整个大脑中广播资讯。大脑中专属的智能处理器会按照惯常的方式自动处理资讯，这个时候不会形成[意识](https://zh.wikipedia.org/wiki/%E6%84%8F%E8%AF%86)。当人面对新的或者是与习惯性刺激不同的事物时，各种专属智能处理器会透过合作或竞争的方式，在全局工作空间中对新事物进行分析以获得最佳结果，而意识正是在这个过程中得以产生。
@@ -649,7 +648,7 @@ AutoGPT 主要特性如下：
- 知觉系统（现在）
- 运动系统（未来）
### 例子：意识系统 For Generative Agent
#### 例子：意识系统 For Generative Agent
单独解释的话，或许会比较麻烦，毕竟我对认知科学并不专业
@@ -671,9 +670,9 @@ AutoGPT 主要特性如下：
当然，我个人对该问题的认知与 GPT4 并非完全相同，包括注意系统与运动系统的部分。但其实我并不一定需要将所有东西全都呈现出来，因为在框架上它已然如此。
记忆、评估、反思这几块的设计通过 Prompt 把 LLMs 劣化成专用的智能处理器单元， 并系统性实现信息的整合与输出。从整体的观点上来看，Generative Agents 中的 Agent，其主体性并不在于 LLM，而是在于这个完整的系统。（相应的，LLMs 只是这个系统的运算工具和陈述工具）
记忆、评估、反思这几块的设计通过 Prompt 把 LLMs 劣化成专用的智能处理器单元，并系统性实现信息的整合与输出。从整体的观点上来看，Generative Agents 中的 Agent，其主体性并不在于 LLM，而是在于这个完整的系统。（相应的，LLMs 只是这个系统的运算工具和陈述工具）
### 例子：AutoGPT 的考察
#### 例子：AutoGPT 的考察
我们再从相同的角度考察 AutoGPT 这一项目：
@@ -690,7 +689,7 @@ AutoGPT 主要特性如下：
这也对应 AutoGPT 虽然看似有着极强的能力，但实际智能效果又不足为外人道也
## 构建一个什么样的智能系统
### 构建一个什么样的智能系统
再次回归正题，Generative Agents 和 AutoGPT 这两个知名项目共同将 AI 研究从大模型能力研究导向了智能系统能力研究。而我们也不能驻足不前，我们应当更积极地考虑我们对于一个 AI 智能体有着什么样的需求，也对应我们需要构建、要怎么构建一个基于 LLMs 语言能力的可信可用的智能系统。
@@ -708,7 +707,7 @@ AutoGPT 主要特性如下：
这些问题都在指导、质问我们究竟需要一个怎样的智能系统。
# 予智能以信息：难题与展望
## 予智能以信息：难题与展望
回到最开始的话题，我们构建一个可用智能系统的基底，依旧是信息系统
@@ -724,7 +723,7 @@ AutoGPT 主要特性如下：
而接下来，我们希望对其进行逐一评估，讨论他们各自将作用的形式，讨论他们需要做到哪一步，又能做到哪一步。
## 知觉系统：构建 AI 可读的结构化环境
### 知觉系统：构建 AI 可读的结构化环境
知觉系统负责让智能体实现信息的感知，其中也包括对复杂输入信息的解析
@@ -752,7 +751,7 @@ AutoGPT 所使用的 Commands 接口中，就有很大一部分接口用于实
- args: "file": `"<file>"`
- 读取文件并解析文本数据
这些访问接口由程序集暴露给 GPT ，将知觉系统中实际使用的微观处理器隐藏在了系统框架之下
这些访问接口由程序集暴露给 GPT，将知觉系统中实际使用的微观处理器隐藏在了系统框架之下
AutoGPT 所实际感知的信息为纯文本的格式，得益于以开放性 Web 为基础的网络世界环境，AutoGPT 能较方便地通过搜索（依赖于搜索引擎 API）和解析 html 文件（依赖于软件辅助，GPT 难以自行裁剪 html 中过于冗杂的格式信息），从而有效阅读绝大多数互联网信息。
@@ -804,7 +803,7 @@ Generative Agents 的知觉设计：关联性难题
仅就这方面而言，作为一个方向性的倡议，对知觉系统的开发可能分为以下步骤
### <em>数据处理/管理</em>
#### <em>数据处理/管理</em>
- 对 办公文件/数据 构建通用读取接口
- 以同类信息为单位，设计通用的字段（由人设计和管理，AI 能力尚不至此）
@@ -828,7 +827,7 @@ Generative Agents 的知觉设计：关联性难题
- 如储存进 mongoDB
- （设计孪生数据的自动更新机制）
### <em>知觉系统驱动</em>
#### <em>知觉系统驱动</em>
- 基于上述索引数据库，以视图为单位进行访问，并设计 视图 2 Prompt 的转化格式
@@ -847,7 +846,7 @@ Generative Agents 的知觉设计：关联性难题
- 对于 Agent 开启的指定任务线程（区分于主线程的感知模块），其起始 Prompt 可能呈这样的形式
> <br/>如上是你的目标，为了实现这个目标，你可能需要获取一系列的信息，为了帮助你获得信息，我会为你提供一系列的索引访问接口，请你通过如下格式输出语句让我为你返回信息。<br/>注：如果你请求错误，请你阅读返回的报错信息以自我纠正<br/>例：<br/>< 通过接口名称检索("接口名称")><br/>< 通过接口功能检索("访问网页")><br/>< 通过父级名称检索("父级名称")>
> <br/>如上是你的目标，为了实现这个目标，你可能需要获取一系列的信息，为了帮助你获得信息，我会为你提供一系列的索引访问接口，请你通过如下格式输出语句让我为你返回信息。<br/>注：如果你请求错误，请你阅读返回的报错信息以自我纠正<br/>例：<br/>< 通过接口名称检索 ("接口名称")><br/>< 通过接口功能检索 ("访问网页")><br/>< 通过父级名称检索 ("父级名称")>
- 为 GPT 设计自动化指令解析与执行模块
@@ -861,7 +860,7 @@ Generative Agents 的知觉设计：关联性难题
> TBD：号被 OpenAI 噶了，我也很绝望啊
## 工作记忆：组织 AI 记忆系统
### 工作记忆：组织 AI 记忆系统
记忆系统的构成其实相较知觉系统等更为抽象，它用于管理 AI 运行时作为背景的长期记忆，以及定义决定了 AI 当前任务及目标的短期记忆。
@@ -869,9 +868,9 @@ Generative Agents 的知觉设计：关联性难题
但我们依旧能从前人的工作中获得一定的参考。
### AutoGPT 的记忆设计：粗放但有效
#### AutoGPT 的记忆设计：粗放但有效
在 长时记忆（过去）、评估系统（价值）、注意系统（关注） 这三个要素中，AutoGPT 做得比较好的无疑只有第一个。
在 长时记忆（过去）、评估系统（价值）、注意系统（关注）这三个要素中，AutoGPT 做得比较好的无疑只有第一个。
AutoGPT 的核心记忆设计依赖于预包装的 Prompt 本体，这一包装包含如下部分：
@@ -899,7 +898,7 @@ AutoGPT 的核心记忆设计依赖于预包装的 Prompt 本体，这一包装
但从另一角度，其“自主将收集到的信息写入记忆”这一功能作为一个 以完成任务为目标 的 Agent 而言无疑是非常合适的架构设计。
### Generative Agents 的记忆设计：精心构建的金字塔
#### Generative Agents 的记忆设计：精心构建的金字塔
区别于 AutoGPT 主动写入的记忆，Generative Agents 的记忆源自被动的无限感知和记录，因此显得更加没有目的性。也正因如此，其需要一种更妥善的管理形式。
@@ -907,7 +906,7 @@ Generative Agent 通过自动化评估记忆的价值，并构建遗忘系统、
![](https://cdn.xyxsw.site/StjCbHn2BoqTrNxF64ScvrPInCe.png)
Generative Agents ：基于 Reflection 构建记忆金字塔
Generative Agents：基于 Reflection 构建记忆金字塔
进一步的，其通过反思机制强化了记忆的价值，使得高层洞察从既有记忆的连结中涌现，这一机制通常被用于将 信息转化为知识，并构建出了有效记忆的金字塔。
@@ -915,7 +914,7 @@ Generative Agents ：基于 Reflection 构建记忆金字塔
相关的更有效的记忆管理无疑很快就会被更新的项目学习。
### 记忆系统的构建讨论（放飞大脑）
#### 记忆系统的构建讨论（放飞大脑）
但从某种意义上来说，对于一个我们希望其帮助我们工作的智能体而言，像 Generative Agent 这般的巨大数据库也许并未有充分的价值，何况我们所输入的内容原始层级就较高（这一层可能在前面的知觉系统中，就让一定程度上的高层洞见自主产生了），不易于进一步的堆叠。
@@ -933,7 +932,7 @@ Generative Agents ：基于 Reflection 构建记忆金字塔
（可以遇见的，以 AutoGPT 的热度，半个月内就会有人为其设计相应的 mod）
## 运动系统：让 AI 可及一切
### 运动系统：让 AI 可及一切
基于知觉系统和记忆系统，已经能构建一个使用语言解决问题的智能体了。但最为关键的改造世界部分则依旧缺席。
@@ -943,7 +942,7 @@ Generative Agents ：基于 Reflection 构建记忆金字塔
- 我们大胆假设未来游戏中的 Agent 能通过 API 驱动自身在场景中无拘无束（拼装行为树
- 再大胆假设他们能使用 API 实时把需求的内容转化为发布给玩家的任务（拼装任务节点
- 继续大胆假设， AI 根据我的需求把今天要配的啥比表直接配完，当场下班（笑
- 继续大胆假设，AI 根据我的需求把今天要配的啥比表直接配完，当场下班（笑
（而这一切，都是可能，且近在眼前的）
@@ -963,7 +962,7 @@ AI 能做的一切都基于我们的赋予，包括语言能力，包括思维
- 我们不该将其当作独立的智能体看待，但能在其基础上通过构建系统创建智能 Agent
- 为此，我们需要通过信息工程，让 AI 能够真正感知和改造世界，从而改变我们的生产进程
# 寄予厚望
## 寄予厚望
感谢有人忍受了我阴间的行文和一路跑偏的思路，真能看到这里