多代理LLM如何使AI模型更有效地解决复杂任务

大多数组织今天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，以优化其业务流程中的成本并提供新的和创新的用户体验。然而，这些实施中的大多数都是“一次性的”。因此，企业难以在许多用例中实现投资回报率（ROI）。

生成式AI（GenAI）承诺超越类似Co-Pilot的软件。与其只是为主题专家（SME）提供指导和帮助，这些解决方案可以成为SME执行者，自主执行操作。为了使GenAI解决方案达到这一点，组织必须为它们提供额外的知识和内存、规划和重新规划的能力，以及与其他代理合作执行操作的能力。

虽然单个模型在某些场景中是合适的，作为联合驾驶员，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的多代理（LLM-MA）系统来简化复杂的业务流程并提高ROI。

什么是LLM-MA系统？

那么，什么是LLM-MA系统？简而言之，这种新的AI技术范式描述了一个AI代理的生态系统，而不是孤立的实体，共同合作以解决复杂的挑战。

决策应该在广泛的背景下发生，就像可靠的人类决策需要专业化一样。LLM-MA系统建立了同一“集体智慧”，即人类团体通过多个专门的代理相互交互以实现共同目标。换句话说，就像企业聚集来自各个领域的不同专家来解决一个问题一样，LLM-MA系统也以同样的方式运作。

单个LLM难以满足业务需求。然而，通过将能力分配给具有独特技能和知识的专门代理，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“检查”彼此的工作，减少“幻觉”以实现最大程度的生产力和准确性。

特别是，LLM-MA系统使用分治法来获得对其他复杂AI赋能系统的更精细的控制——尤其是更好的微调到特定数据集，选择方法（包括预转换器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。在这种分治方法中，代理执行操作并从其他代理和数据中接收反馈，实现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、生成查询数据模型的代码以及执行其他内容生成来自动化业务流程。公司可以将LLM-MA系统用于多个用例，包括软件开发、硬件模拟、游戏开发（特别是世界开发）、科学和制药发现、资本管理流程、金融和交易经济等。

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，模型和其他程序化执行者使用预定义的工作流程和程序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诊。此外，这些系统可以通过利用程序化和SME知识与个性化数据并调用检索增强生成（RAG）类型和非LLM代理来导航最优的解决路径。

从短期来看，该系统不会完全自动化——会出现错误，需要有人参与循环。AI还没有准备好复制类似人类的体验，因为测试自由流畅的对话与例如负责任的AI问题的复杂性。然而，AI可以在成千上万的历史支持票据和反馈循环中进行训练，以自动化呼叫/服务中心操作的重要部分，从而提高效率、减少票据解决时间并提高客户满意度。

多代理LLM的另一个强大应用是创建人类-AI协作接口，用于实时对话，解决以前不可能解决的任务。例如，对话式群体智能（CSI）是一种允许成千上万的人进行实时对话的方法。具体来说，CSI允许小组之间对话，同时不同的小组总结对话线程。然后，它促进内容在更大的人群中传播，赋予人类协调前所未有的规模。

LLM-MA系统的安全性、负责任的AI和其他挑战

尽管LLM-MA系统具有令人兴奋的机会，但随着代理数量和行动空间的增加，一些挑战也随之出现。例如，企业需要解决老式的“幻觉”问题，这将需要有人参与循环——一个指定的方必须对代理系统负责，特别是那些具有潜在关键影响的自动化药物发现系统。

还会出现数据偏差的问题，这可能会导致交互偏差。同样，未来LLM-MA系统运行数百个代理将需要更复杂的架构，同时考虑到其他LLM的缺陷、数据和机器学习操作。

此外，组织必须解决安全问题并促进负责任的AI（RAI）实践。更多的LLM和代理增加了所有AI威胁的攻击面。公司必须将LLM-MA系统的不同部分分解为专门的执行者，以提供对传统LLM风险的更多控制，包括安全和RAI元素。

此外，随着解决方案变得更加复杂，AI治理框架也必须更加复杂，以确保AI产品是可靠的（即强大、可靠、监控和可解释的）、可靠的（即安全、安全、隐私和有效的）和负责任的（即公平、道德、包容、可持续和有目的的）。日益复杂的解决方案还将导致法规更加严格，因此，安全和RAI必须成为每个业务案例和解决方案设计的一部分，以及持续的政策更新、企业培训和教育以及TEVV（测试、评估、验证和验证）策略。

从LLM-MA系统中提取全部价值：数据考虑

为了从LLM-MA系统中提取全部价值，企业必须认识到，LLM本身只具有通用领域知识。然而，LLM可以成为价值生成的AI产品，当它们依赖于企业领域知识时，这通常由差异化的数据资产、企业文档、SME知识和从公共数据源检索的信息组成。

企业必须从数据驱动型转变为AI驱动型，即数据源结合起来赋予AI在企业生态系统中成为一个执行者的能力。因此，公司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力消费方法，改变其运营模型，并引入治理以统一数据、AI和RAI。

从工具的角度来看，GenAI可以提供额外的帮助，特别是在数据方面。特别是，GenAI工具可以生成本体，创建元数据，提取数据信号，使复杂的数据模式有意义，自动化数据迁移和执行数据转换。GenAI还可以用于增强数据质量，并作为治理专家以及联合驾驶员或半自治代理。已经，许多组织使用GenAI来帮助民主化数据，如“与您的数据交谈”的功能。

在快速变化的时代的持续采用

LLM不会通过自身添加价值或实现正ROI，而是作为业务结果驱动应用程序的一部分。挑战在于，与过去LLM的技术能力相比，今天新能力每周甚至每天都会出现，支持新的业务机会。在此快速变化的基础上，还有一个不断演变的监管和合规格局，使得快速适应能力对于成功至关重要。

利用这些新机会所需的灵活性需要企业从孤立到协作的思维方式转变，促进技术、流程和人员的最高水平的适应性，同时实施强大的数据管理和负责任的创新。最终，接受这些新范式的公司将领导下一波数字化转型。