AI Agents大爆发：软件2.0雏形初现，OpenAI的下一步

本文编译自 Lilian Weng 的个人博客，Lilian 现在是 OpenAI 的 Head of Safety Systems，之前还领导过 OpenAI 的 Applied AI 团队。

AI Agent 被认为是 OpenAI 发力的下一个方向。OpenAI 的联合创始人 Andrej Karpathy 在近期的一次公开活动上提到“相比模型训练方法，OpenAI 内部目前更关注 Agent 领域的变化，每当有新的 AI Agents 论文出来的时候，内部都会很兴奋并且认真地讨论”，而在更早之前，Andrej 还评价 AutoGPT 是 Prompt Engineering 下一阶段的探索方向。

Lilian Weng 的这篇 Blog 可以说是目前 AI Agent 领域优质论文的系统综述，她将 Agents 定义为 LLM、记忆（Memory）、任务规划（Planning Skills）以及工具使用（Tool Use） 的集合，其中 LLM 是核心大脑，Memory、Planning Skills 以及 Tool Use 等则是 Agents 系统实现的三个关键组件，在文章中，她还对每个模块下实现路径进行了细致的梳理和说明。到今天，构建 AI Agent 的工具箱已经相对完善，但仍需要面对一些限制，例如上下文长度、长期规划和任务分解，以及 LLM 能力的稳定性等。

从今年 3 月 AutoGPT 推出后，Generative Agent、GPT-Engineer、BabyAGI 项目的爆发将 LLM 的叙事代入了新的阶段，从“超级大脑”到真正有可能成为“全能助手”。Lillian 在自己的 Twitter 中也认为“This is probably just a new era”。

原文 | 译文

构筑大语言模型应用：应用开发与架构设计

作者在2023 年的上半年和同事一起创建了一系列的流行的或者不流行的开源项目。它们涉及了：
LLM 能力的充分运用
Prompt 编写：Prompt 学习与编写模式
Prompt 管理：Prompt 即代码
LLM 下的软件开发工序及应用架构设计
新的交互设计：Chat模式
大模型友好的工序：基于 AI 2.0 （ChatGPT + Copilot）如何去设计软件开发流程
LLM 应用架构的设计与落地：Unit Mesh
面向特定场景的 LLM 应用
基于开源模型构建自己的模型：特定场景的模型微调 + LLMOps
上下文工程（prompt 工程）：LLM 应用的核心

“围绕于上述的一系列内容，我们也在思考软件开发能给我们带来了什么。所以，我重新整理了过去半年的一些思考、文章，重新编写了这本开源电子书，希望能够帮助到大家。”

在线阅读 | #电子书

Artlib世界艺术鉴赏库，是目前国内最大、范围最广、内容最深的基于互联网艺术学习和艺术图像文献平台。

目前数据库收录全球范围内近20万件艺术作品高清图像，涵盖全球13200多位知名艺术家和3800多家艺术博物馆，同时囊括了近3000多种艺术辞典、艺术图书近10亿+文字资料。