多智能体 LLM 如何帮助 AI 模型更有效地解决复杂任务

如今，大多数组织都希望利用大型语言模型 (LLM) 并实施概念验证和人工智能 (AI) 代理，以优化业务流程中的成本并提供新颖且富有创意的用户体验。然而，这些实施大多数都是“一次性的”。因此，企业在许多此类用例中都难以实现投资回报 (ROI)。

生成式人工智能 (GenAI) 有望超越副驾驶等软件。这些解决方案不仅可以为主题专家 (SME) 提供指导和帮助，还可以成为 SME 的参与者，自主执行操作。要使 GenAI 解决方案达到这一点，组织必须为其提供额外的知识和记忆、规划和重新规划的能力，以及与其他代理协作执行操作的能力。

虽然单一模型在某些情况下适合作为副驾驶，但代理架构为 LLM 成为业务流程自动化的活跃组件打开了大门。因此，企业应该考虑利用 基于 LLM 的多智能体 (LLM-MA) 系统 简化复杂的业务流程并提高投资回报率。

什么是 LLM-MA 系统？

那么，什么是 LLM-MA 系统？简而言之，人工智能技术的这一新范式描述了一个由人工智能代理组成的生态系统，而不是孤立的实体，它们齐心协力解决复杂的挑战。

决策应该在广泛的背景下进行，就像人类之间可靠的决策需要专业化一样。LLM-MA 系统通过多个专业代理相互作用以实现共同目标，构建了与人类群体相同的“集体智慧”。换句话说，就像企业将来自不同领域的不同专家聚集在一起解决一个问题一样，LLM-MA 系统的运作方式也是如此。

对于单个 LLM 来说，业务需求太多了。但是，通过将能力分配给具有独特技能和知识的专业代理，而不是让一个 LLM 承担所有负担，这些代理可以更高效、更有效地完成任务。多代理 LLM 甚至可以通过交叉验证来“检查”彼此的工作， 减少“幻觉” 实现最高的生产力和准确性。

具体来说，LLM-MA 系统使用分而治之的方法来获得对复杂 AI 系统其他方面的更精细的控制 - 特别是更好地微调特定数据集，选择方法（包括预转换 AI）以获得更好的可解释性、治理、安全性和可靠性，并使用非 AI 工具作为复杂解决方案的一部分。在这种分而治之的方法中，代理执行操作并从其他代理和数据接收反馈，从而能够随着时间的推移采用执行策略。

LLM-MA 系统的机会和用例

LLM-MA 系统可以通过搜索结构化和非结构化文档、生成代码来查询数据模型以及执行其他内容生成，从而有效地实现业务流程自动化。公司可以将 LLM-MA 系统用于多种用例，包括软件开发、硬件模拟、游戏开发（特别是世界开发）、科学和药物发现、资本管理流程、金融和贸易经济等。

LLM-MA 系统的一个值得注意的应用是呼叫/服务中心自动化。在这个例子中，利用预定义的工作流和程序的模型和其他程序参与者的组合可以自动化最终用户交互并通过文本、语音或视频执行请求分类。此外，这些系统可以通过利用个性化数据的程序和 SME 知识并调用检索增强生成 (RAG) 类型和非 LLM 代理来导航最佳解决路径。

短期内，该系统不会完全自动化——错误难免，需要有人参与其中。由于测试自由流对话（例如，负责任的人工智能问题）的复杂性，人工智能尚未准备好复制类似人类的体验。然而，人工智能可以通过数千个历史支持工单和反馈循环进行训练，以自动化呼叫/服务中心运营的重要部分，提高效率，减少工单解决停机时间并提高客户满意度。

多智能体 LLM 的另一个强大应用是创建用于实时对话的人机协作界面，解决以前无法完成的任务。 对话式群体智能 例如，CSI 是一种让数千人进行实时对话的方法。具体来说，CSI 允许小组之间进行对话，同时让不同的代理组总结对话线索。然后，它促进了内容在更大范围内的传播，以前所未有的规模增强了人类的协调能力。

安全性、负责任的人工智能以及 LLM-MA 系统的其他挑战

尽管 LLM-MA 系统带来了令人兴奋的机遇，但随着代理数量及其行动空间规模的增加，这种方法也面临一些挑战。例如，企业需要解决普通幻觉问题，这需要人类参与其中——必须由指定方负责代理系统，尤其是那些可能产生重大影响的系统，例如自动药物发现。

数据偏差也存在问题，这可能会加剧交互偏差。同样，未来运行数百个代理的 LLM-MA 系统将需要更复杂的架构，同时还要考虑到其他 LLM 缺陷、数据和机器学习操作。

此外，组织必须解决安全问题并推广负责任的人工智能 (RAI) 实践。更多的 LLM 和代理增加了所有人工智能威胁的攻击面。公司必须将其 LLM-MA 系统的不同部分分解为专门的参与者，以更好地控制传统的 LLM 风险，包括安全和 RAI 元素。

此外，随着解决方案变得越来越复杂，人工智能治理框架也必须确保人工智能产品可靠（即稳健、可追溯、可监控和可解释）、常驻（即安全、有保障、私密和有效）和负责（即公平、合乎道德、包容、可持续和有目的）。日益复杂的情况还将导致监管趋紧，因此，从一开始就将安全性和 RAI 纳入每个业务案例和解决方案设计中就显得更加重要，同时还要持续更新政策、开展企业培训和教育以及实施 TEVV（测试、评估、验证和确认）策略。

从 LLM-MA 系统中提取全部价值：数据考虑

企业若想充分发挥 LLM-MA 体系的价值，就必须认识到 LLM 本身只具备一般领域知识。然而，当 LLM 依赖企业领域知识时，它们可以成为创造价值的 AI 产品，这些知识通常包括差异化数据资产、企业文档、中小企业知识以及从公共数据源检索到的信息。

企业必须从以数据为中心（数据支持报告）转向以人工智能为中心（数据源相结合，使人工智能成为企业生态系统中的参与者）。因此，企业策划和管理高质量数据资产的能力必须扩展到这些新数据类型。同样，组织需要现代化其数据和洞察消费方法，改变其运营模式，并引入将数据、人工智能和 RAI 结合起来的治理。

从工具角度来看，GenAI 可以提供有关数据的额外帮助。具体来说，GenAI 工具可以生成本体、创建元数据、提取数据信号、理解复杂的数据模式、自动执行数据迁移和执行数据转换。GenAI 还可用于提高数据质量，并充当治理专家以及副驾驶或半自主代理。许多组织已经使用 GenAI 来帮助实现数据民主化，如“与数据对话”功能所示。

在快速变化的时代持续采用

LLM 本身不会增加价值或实现积极的投资回报，但作为以业务成果为重点的应用程序的一部分，它会产生价值。挑战在于，与过去不同，当时 LLM 的技术能力还不为人所知，而今天，新功能每周甚至每天都会出现，为新的业务机会提供支持。除了这种快速变化之外，还有不断变化的监管和合规环境，因此快速适应的能力对于成功至关重要。

要利用这些新机遇，企业必须具备灵活性，从孤立状态转变为协作状态，在实施强大的数据管理和负责任的创新的同时，在技术、流程和人员方面实现最高水平的适应性。最终，拥抱这些新模式的公司将引领下一波数字化转型。