西风 发自 凹非寺量子位 | 公众号 QbitAI清华开源通用智能体XAgent，登上GitHub热榜，狂揽1400+各种任务都能做，让它使用python来分析给定的数据，分分钟搞定：数学题也难不倒它：编制最有影响力的心理学读书清单，并对每本书做简要总结这种操作就更不在话下：（上图中的翻译均为机器翻译）通过展示可以看到，XAgent在回答问题时会分条缕析，逐步给出回答，这是开发专门为其设计的双循环机制。这种设计下，XAgent的自主性非常高，处理复杂任务也“得心应手”，关键安全性也很高
西风 发自 凹非寺
量子位 | 公众号 QbitAI
清华开源通用智能体XAgent，登上GitHub热榜，狂揽1400+
各种任务都能做，让它使用python来分析给定的数据，分分钟搞定：
数学题也难不倒它：
编制最有影响力的心理学读书清单，并对每本书做简要总结这种操作就更不在话下：
（上图中的翻译均为机器翻译）
通过展示可以看到，XAgent在回答问题时会分条缕析，逐步给出回答，这是开发专门为其设计的双循环机制。
这种设计下，XAgent的自主性非常高，处理复杂任务也“得心应手”，关键安全性也很高。
在各项基准测试下，XAgent表现都完全优于AutoGPT、GPT-4。
更多细节我们接着往下看。
各种任务都能做
将一个数据包上传到XAgent，让它分析数据并生成一个报告，它就能迅速将任务分解为数据理解、验证Python环境、编写数据分析代码、编写报告4个子任务。
最后绘制出来的图是这样婶儿的：
再来让XAgent推荐一些适合好友聚会的餐厅，但这次故意不提供具体细节。XAgent识别到提供的信息不足，立刻采用了“请求人类帮助”工具，让用户介入表明自己喜欢的位置、预算限制、烹饪偏好、有无忌口等。
如此一来，XAgent就能生成一份定制化的餐厅推荐名单。
此外，XAgent处理起复杂任务也是有两把刷子在身上的，比如训练模型。
开发者展示了一个希望XAgent分析电影评论并评估特定电影周围公众情感的情景。收到这一指令，XAgent迅速启动下载IMDB数据集，训练一款先进的BERT模型。
拥有了这个训练有素的BERT模型，XAgent就能够轻松应对电影评论的复杂细节，提供关于公众对各种电影看法的见解性预测。
总的来说，开发者表示XAgent具有五大特点：自主性、安全性、可扩展性、GUI、人机协同。
自主性是指XAgent可以在没有人类参与的情况下自动解决各种任务。
而安全性则是因为它的所有行为都被设计限制在一个docker容器（ToolServer ）内，不用担心主机环境会受影响。
docker容器内包含了可以写入、读取和修改文件的文件编辑器，可运行Python代码的Python笔记本，可搜索和访问网页的网页浏览器，还有一个bash shell工具以及Rapid API。
所以，使用者也可以轻松地添加新工具来增强智能体的能力，甚至打造一个全新智能体。
开发者还为用户提供了友好的图形用户界面来与XAgent交互，当然也可以使用命令行界面。
人机协同这方面主要是指XAgent不仅有能力按照人类的要求来解决复杂的任务，而且在遇到挑战时还可以寻求用户帮助。
能够拥有这些特点，还要得益于XAgent的核心设计。XAgent主要由三大部分组成：
- 调度器：负责动态实例化和分派任务给不同的智能体，允许用户添加新的智能体以及改进智能体的能力。
- 规划器：负责为任务生成和校正计划，将任务分解为子任务，并为它们生成步骤，使智能体能够逐步解决任务。
- 行动者：负责采取行动实现目标和完成子任务。行动者利用各种工具来解决子任务，也可以与人类合作来解决任务。
设计上，开发者刻意避免将人类的先验知识注入到XAgent系统设计中，而是赋予了智能体自己规划、决策过程的能力，进一步发掘智能体的潜力。
另外，XAgent框架设计还采用了双循环机制：外循环（Outer-Loop）用于高级任务管理，内循环（Inner-Loop）用于低级任务执行。
外循环使智能体能够识别总体任务，然后将其划分为更小、更具可操作性的子任务。相比之下，内循环过程作为详细的执行器，专注于处理被划分的任务。
开发者表示：
XAgent反映了人类采用的自然认知层次结构，并可以根据执行结果反复迭代优化计划。
全面优于AutoGPT
开发者还对基于GPT-4所打造的XAgent进行了一套基准测试，主要测试XAgent推理、规划和使用外部工具的能力。
测试内容包括：在FreshQA和HotpotQA上测试Web搜索问答能力；在MBPP上测试Python编程能力；在MATH上测试数学推理能力；在InterCode上测试交互式编码能力；在ALFWorld上测试文本游戏中的具身推理。
以下是与原版GPT-4的比较，XAgent全面优于GPT-4：
考虑到缺乏合适的针对AI智能体的高质量基准测试，开发者还手动策划了50条复杂的指令，可以分为5个类别：搜索与报告，编码与开发，数据分析，数学和生活助手。
然后将指令它们输给了XAgent和AutoGPT，并邀请了多位专家来评估对XAgent和AutoGPT输出结果的偏好（胜率）。
结果XAgent全面取胜，不仅在传统的AI基准测试中表现出色，而且还在处理复杂指令方面表现出卓越的适应性、效率和精度。
GitHub链接：https://github.com/OpenBMB/XAgent
— 完 —
量子位 QbitAI · 头条号签约
关注我们，第一时间获知前沿科技动态
声明：本文内容来源自网络，文字、图片等素材版权属于原作者，平台转载素材出于传递更多信息，文章内容仅供参考与学习，切勿作为商业目的使用。如果侵害了您的合法权益，请您及时与我们联系，我们会在第一时间进行处理！我们尊重版权，也致力于保护版权，站搜网感谢您的分享！(Email:[email protected])
