当前大多数代理/多代理解决方案是否都是确定性的、可预测的?是否有人接受这种现状?或者你在这些代理(LLM)中发现了什么创造性?
摘要
讨论企业AI代理解决方案的当前趋势,该趋势倾向于确定性、可审计的行为,而非创造性、动态的LLM推理,并质疑是否存在任何创造性的代理解决方案。
我认为当前企业专注于不让代理更具创造性或做新的事情。他们期望各种LLM(代理)解决方案应该是可审计、可预测和确定性的。在构建大多数代理解决方案时,他们使用FSM或规则引擎来引导LLM以确定性的方式行事。是否有人找到了具有创造性并通过LLM推理动态运作的AI代理解决方案?
相似文章
我发布过的最可靠的数据代理,其 ~90% 是确定性代码。LLM 只负责解析意图和进行对话。不服来辩。
作者认为,AI 代理的可靠性来自于确定性代码,而非 LLM,并分享了在混乱的真实世界数据上构建可信代理的五项关键实践。
尽可能使代理具有确定性的最佳尝试
本文讨论了使基于LLM的代理更具确定性的各种技术,例如黄金数据集、护栏、共识机制、回归测试、编码逻辑和超参数调优,并询问其他成功的方法。
面向受监管行业的智能体AI的不同方法 - 问题探讨
总结了一种确定性的、基于约束的方法,用于在受监管金融领域构建AI智能体,其中LLM仅生成散文,数字通过加密方式密封,并通过分层结构确保可审计性。
有人能帮我理解AI Agent的用例或让我信服吗?
一位软件开发者质疑AI Agent的实际价值,表达了对控制权、问责制的担忧,并怀疑手动自动化结合LLM是否比委托给自主代理更可靠。
超越LLM:为何可扩展的企业AI落地依赖于Agent逻辑
IBM Research探索了Agent逻辑——诸如知识图谱和程序分析等软件原语——如何引导基于LLM的Agent高效处理复杂的企业工作流,减少幻觉和成本,同时改善结果。