多代理系统如何重新思考 LLM 架构

快速阅读: 据《黑客 Noon》称，约翰逊·詹姆斯·坎吉拉廷卡尔认为，未来AI应补充人类能力，而非让企业适应其局限。Skillfully的多代理AI招聘系统展示了模块化协作式AI的优势，提供更可靠、透明的决策支持。这一模式有望在多领域推广。

随着人工智能（AI）的快速发展，其转折点似乎愈发频繁。目前的大语言模型（LLMs）在自然语言处理方面展现出了惊人的能力，但在应对复杂、多步骤推理任务时却常常表现欠佳。它们容易生成不可预测的幻觉，并在处理这类任务时表现出不一致性，这使得这些单一代理的AI系统在需要高度准确性、透明度和适应性的场景中显得不够可靠。对于某一特定任务而言，有些模型的表现优于其他模型，但要挑选出最适合完成目标的模型有时就像碰运气一样。许多专家已经厌倦了对结果输出进行微调，但这需要对大语言模型的工作方式进行全面的重新思考。

约翰逊·詹姆斯·坎吉拉廷卡尔，Skillfully联合创始人兼产品副总裁，Skillfully是一家利用基于技能评估的AI驱动方法替代传统基于资格证书招聘方式的招聘和入职平台，他质疑为何大语言模型一开始就采用了单一模型系统。Skillfully已经引入了新的多代理AI系统理念，这仅仅是多代理AI在各种现实世界应用场景中重塑大语言模型的一个视角。这种方法侧重于通过多代理AI系统实现分布式认知，这种系统反映了人类团队在专业环境中运作的方式。

单一代理大语言模型在生产中的局限性

尽管这些模型非常灵活，但当应用于高风险业务决策时，单一模型的大语言模型从根本上受到其设计架构的限制。单一代理大语言模型虽然参数复杂且训练数据广泛，但作为一个统一系统运行，存在几个固有的技术限制：

– 无法有效交叉验证自己的输出
– 缺乏对不同认知子任务的专业关注
– 在复杂的推理链中保持一致性能力有限
– 结论的得出方式不够透明

例如，任何希望跟上当前市场步伐的企业都需要能够公平准确地评估候选人能力的AI。人力资源专家依赖于数据和经过磨练的专业直觉的结合，而传统的AI系统在被要求做同样的事情时，往往会使用过去的职位头衔或教育背景作为能力的替代指标，而不是实际评估技能。因此，当AI被要求根据间接信号而非具体绩效数据做出决策时，可能会生成不准确或误导性的结果。

也许更重要的是，缺乏强大的交叉验证机制会导致结果缺乏可解释性和清晰的评估框架，使招聘经理在最需要实用指导时面临难以理解的建议。为了让AI在商业中真正有用，它必须提供可操作、透明的决策，而不仅仅是表面预测。

解决LLM细微问题的多代理解决方案

当他开发Skillfully时遇到了相同的难题，坎吉拉廷卡尔专注于创建一种大语言模型架构，在一个关键基础方面有所不同；不是依靠单一模型来处理一切，而是采用多代理工作流程将任务分配给专门的AI代理。这些代理协同工作，每个代理专注于不同的功能，如上下文理解、任务执行或质量控制，以产生更准确和可靠的结果。

这种新的思维方式已经在Skillfully的招聘平台上得以实现，该平台使用协调的多代理AI系统提供了更可靠、以人为本的招聘过程。Skillfully的AI代理动态评估技能表现，分析个人在模拟环境中的表现。通过让多个AI代理交叉验证见解，系统显著降低了幻觉和错误建议的风险，为候选人的能力提供了更清晰、更准确的画面。

坎吉拉廷卡尔还致力于将可解释性作为系统的基石。Skillfully的招聘建议基于预设的评估标准、透明的评分机制以及由LLM的多个代理提供的详细理由。如同人类招聘专家一般，Skillfully的建议是可辩护的和细致入微的。与人类专家不同，这些建议借助多代理交叉验证有效减少偏见，这些验证基于一致的评估框架，形成清晰的审计轨迹。这种更高层次的透明度也走在了新兴AI法规的前面，可能让不够细致的LLM措手不及。

技术和未来发展挑战

尽管有这些优势，实施多代理系统引入了新的技术复杂性：

– 代理之间的协调开销
– 专业化模型之间可能出现分歧
– 需要复杂的编排层
– 计算需求增加

这些挑战标志着AI架构的新前沿。正如坎吉拉廷卡尔在Skillfully所展示的那样，当涉及公平招聘等人类结果时，分布式认知的好处超过了这些实施障碍。

为未来非单一化的多代理工作流程

约翰逊·詹姆斯·坎吉拉廷卡尔坚信，未来的AI系统将专门用于补充现实世界应用中的人类能力，招聘中的多代理工作流程成功案例是新模块化、协作式AI系统成功跨越多个领域的关键测试案例。他认为，为了有效地解决现实世界的问题，AI必须超越单一代理模型。多代理工作流程提供了一种更可靠、可扩展且可解释的替代方案，使AI与人类需求相一致，而不是迫使企业适应AI的局限性。

约翰逊·詹姆斯·坎吉拉廷卡尔坚信，未来的AI系统将专门用于补充现实世界应用中的人类能力，招聘中的多代理工作流程成功案例是新模块化、协作式AI系统成功跨越多个领域的关键测试案例。多代理系统重新构想了AI，不再将其视为单一操作者，而是视为一群可以挑战、完善并建立彼此见解的专家团队。坎吉拉廷卡尔在Skillfully已证明这一点，把过去僵化且不透明的过程变得灵活且公平。

约翰逊·詹姆斯·坎吉拉廷卡尔坚信，未来的AI系统将专门用于补充现实世界应用中的人类能力，招聘中的多代理工作流程成功案例是新模块化、协作式AI系统成功跨越多个领域的关键测试案例。这种转变在任何需要AI做出重要决策的地方都可行。

(以上内容均由Ai生成)