集体的智慧:从孤立到协作,大模型多智能体协同使复杂任务迎刃而解

阿里开源多Agent框架agentUniverse:10+组件、PEER与DOE协同、RAG注入领域知识! 用户发起一个话题,主持人组织各位参与者开始讨论,每轮每个参与者根据讨论话题发表自己的观点(每个参与者的观点并非一成不变,会随着讨论的深入不断调整),几轮讨论后,主持人会对讨论过程进行总结并将参与者们经过几轮讨论后的结果返回给用户。,搭建了一个用于分析金融事件的多智能体协作案例,并以“巴菲特2023年减持比亚迪”事件为例,展示了如何在agentUniverse中使用PEER多智能体协作模式,并详细展示了PEER中每种智能体的配置方式及输出样例。来源 | PaperAgent。是一个基于大型语言模型的。 阅读详情
AI摘要

文章讲述了蚂蚁集团研发的agentUniverse框架如何通过多智能体协作提升金融分析的效率,特别是PEER模式在分解复杂任务和提升准确率方面的优势。框架强调了人类专家与AI智能体的协同作用,旨在推动产业智能化转型。

“于是乎,使用者默默充当起这些孤立无援的智能体的指挥官:以金融分析师为例,他们不得不一会儿用 reportify 解读一下上市公司的研报,一会儿又打开 Kimi 搜集一下最新的行业信息,最终统统贴到chatgpt 里,以便生成一篇尚可接受的分析报告草稿。”

如今,我们可以通过蚂蚁自研的 agentUniverse 多智能体框架,优雅地让不同角色的智能体相互协同,集体为分析师服务。其中一些智能体协同模式,经过蚂蚁在金融分析领域长时间的探索实践,在复杂任务上表现出令人兴奋的提升。
agentUniverse 多智能体框架项目地址:

  • https://github.com/alipay/agentUnivers
  • https://gitee.com/agentUniverse/agentUniverse

美好的幻像与孤立无援的智能体

大模型是否能直接解决复杂任务?
长久以来,人们致力于运用计量金融、量化分析等手段,试图让机器胜任金融分析这一世界上最具挑战的任务。然而人类专家始终占据着一席之地:主观分析师们以一种无法被机器复制的直觉和洞察力、以近乎神秘的方式,在庞大的信息流中进行分析决策。**这似乎本应是大模型最为擅长的领域。**掌握海量的文字信息、人类无法企及的知识规模,理应有更优秀的表现。

图一:金融主观分析是一个高度复杂的任务
(prompt:用漫画平面线条画风,描绘金融主观分析师们以一种近乎神秘的方式,在海量的信息中进行分析决策,体现出分析的复杂性)
然而实践却并不如人意,即便是最强的模型,也仅能给出泛泛而谈的分析,往往空洞、缺少重点、有逻辑瑕疵、忽略重要事实。
究其原因,大模型本质是语言模型,是参数化的知识容器,虽然能完成简单的单步推理,在需要复杂(多步)推理的任务中有很大概率失败,也容易在知识引用、知识不足、知识冲突等情况中出现幻觉。
于是人们尝试通过提示词(prompt)来赋予大模型角色和目的,并配套相应的工具,使得它们可以搜索互联网、调用 api,具有持续记忆能力,并综合利用这些能力完成任务。这一切构成了智能体(agent)。区别于大模型这类被动的无状态的对话机器(query-answer machine),智能体在复杂任务上的表现更好,且越来越受到业界关注。

图二:基于长时间的思考和沉淀,我们给出了智能体(agent)的基本构成定义
然而,就像人类难以同时胜任所有任务,智能体也一样。
越是复杂的专业任务,越是不可避免地涉及更多环节、更多的领域知识、更多的思考角度。强行要求大模型智能体一次性、顺利地完成所有环节,只有极小的成果概率。如果强行对单一智能体赋予过多的能力,急剧上升的复杂度会让其难以驾驭,从而降低实用价值,最终只剩理论上的应用可能。
于是乎,使用者默默充当起这些孤立无援的智能体的指挥官:以金融分析师为例,他们不得不一会儿用 reportify 解读一下上市公司的研报,一会儿又打开 NewBing 搜集一下最新的行业信息,最终统统贴到 chatgpt 里,以便生成一篇尚可接受的分析报告草稿。

图三:慌乱无措的单一智能体使用者
这一切应有更优雅的方式。

集体的智慧

如亚里士多德所述,人类是社会性动物,这一特性引领着我们的智人祖先,通过精心构建的社会组织与协作模式,而非依赖个体蛮力或敏捷,最终成为地球的顶级掠食者。
自原始社会伊始,当人类面临的挑战愈发复杂,社会结构亦随之适应和演化:角色分工愈发细化,协作模式日益丰富,使得人类能更加有效地应对复杂多样的问题,进而推动文明的整体进程。
更进一步,不同类型的复杂问题,也需要采取不同的协作模式应对。比如:

  • **团队合作(Teamwork)模式,**重视技能互补、开放沟通与共担责任,适合最终目标明确、但过程复杂、需涉及不同领域知识的任务;
  • **层级合作(Hierarchical Collaboration)模式,**依靠上级对任务的拆解、细化与分派,同时要求下级对命令有高度的责任和严格的遵从;
  • **师徒传承(Master-Disciple Inheritance)模式,**适合高度依赖于既有成熟经验(如 SOP)、可以按部就班的任务。

这些协作模式让人类集体的力量远超于任何个体。显然,对于智能体也是如此。
借鉴人类社会发展出的各种成熟的组织关系和协作模式,对那些能力单一、孤立无援、但表现稳定的智能体进行协作编排,便能利用集体的智慧,创造出 1+1>2 的效果。

图四:多智能体协同的集体智慧
这需要一套强大成熟、同时又不失便利的机制来实现。

agentUniverse,面向产业落地的企业级大模型多智能体框架

蚂蚁自研的 agentUniverse 正是这个机制的实践者。
agentUniverse 是一个大模型多智能体框架。核心提供了多智能体协作编排组件,它相当于一个模式工厂(pattern factory),允许开发者对多智能体协作模式进行开发定制,同时附带了搭建单一智能体的全部关键组件。开发者可以基于本框架轻松构建多智能体应用,并通过社区对不同领域的模式(pattern)实践进行交流共享。

图五:agentUniverse 的架构设计
框架预置有若干已在真实产业中验证有效的多智能体协作模式组件。其中,“PEER” 是最具特色的模式之一。

  • **PEER 模式:**该模式通过计划(Planning)、执行(Executing)、表达(Expressing)、评价(Reviewing)四个不同职责的智能体,实现对复杂问题的多步拆解、分步执行,并基于评价反馈进行自主迭代,最终提升推理分析类任务表现。这一模式显著适用于需要多步拆解、深度分析的场景,比如对于事件的解读、宏中观经济分析、商业方案的可行性分析等。


图六:PEER 多智能体协同模式
PEER 模式本质上是层级合作(Hierarchical Collaboration)和团队合作(Teamwork)的组合:计划智能体(Plan)充当了领导角色,将原本的复杂问题,拆解出多个需要分别执行的子任务。其余三个智能体各有所长,同时在工作流程上前后依赖,工作结果依次传递,避免了资源竞争。最后的工作结果,传递回 “领导”进行决策,判断是已经完成任务、或是需要补充优化、还是推翻重做。
PEER 模式是解决推理分析类任务的一把利刃。
我们将通过一个典型的金融分析问题,“分析巴菲特减持比亚迪的原因”,来看下如何通过 agentUniverse 搭建起一组 PEER 模式的多智能体,以及这些智能体是怎样解决复杂问题的。
计划智能体(Planning)

开发者在 planning_agent.yaml 模版中填写相应配置,即可生成
计划智能体
。其中,最重要的部分,是填写计划智能体生成计划的方式。在本例中,我们希望计划智能体将原始问题拆分为 5-10 个可被独立解答的子问题。这里我们可以看到,计划智能体产出了如下 9 个子问题:

执行智能体(Executing)

我们用同样的方式生成执行智能体。在 executing_agent.yaml 中,我们为执行智能体提供了网络搜索工具search_tool,以及包含巴菲特相关信息的知识库 financial_general_knowledge_base 。9 个子问题将被传递给执行智能体,分别得到与每个子问题有关的信息(部分展示):

表达智能体(Expressing)

对于表达智能体,我们配置的主要内容是表达结果的规则与格式。如本例中,我们在 expressing_agent.yaml 中要求表达结果以分总结构呈现,且不可使用模糊的词语。基于此,表达智能体将使用前一步骤收集的 9 个子问题的相关信息,围绕 “分析巴菲特减持比亚迪的原因” 这一原始问题,生成一篇符合要求的分析结果:

评价智能体(Reviewing)

最终,评价智能体将基于 reviewing_agent.yaml 中预设的打分标准对表达结果进行评价。在该例中,评价智能体认为表达结果能够从多方面阐释巴菲特减持的原因,是有效的答案,应当予以通过:

以下是在 PEER 模式下,针对 “分析巴菲特减持比亚迪的原因”,多智能体协同工作后给出的最终分析结果:

令人兴奋的效果

除了 “分析巴菲特减持比亚迪的原因” 这类实际业务分析场景中所呈现出的效果提升,我们还针对多项典型测评设计了精准的实验。
在 GAME24 综合测试集,我们着重对比了 PEER 模式与 COT、TOT 以及累积推理(Cumulative Reasoning, CR)的解题效果:

方法准确率 (%)平均轮数
CoT4.01
CoT-SC (k = 100)9.0100
ToT (b = 5)7461.72
CR (b = 1)8411.68
CR (b = 2)9413.70
CR (b = 3)9714.25
CR (b = 4)9714.77
CR (b = 5)9814.86
PEER (b = 1)994.12

对比实验显示,PEER 模式在 GAME24 问题上的性能显著优于 ToT、累积推理 (CR) 等方法。相较累积推理(CR),PEER 模式在并行分支为 1(b=1)的情况下,准确率从 84% 提高到 99%。同时,解题平均重试轮数也大幅减少。这表明 PEER 模式在解决 GAME24 问题时更加高效和准确。这一结果强调了 PEER 模式在处理复杂问题时的有效性,尤其是在需要逐步分解、分布决策的任务中。
在更广泛的推理测评集中,如 Folio wiki、MATH、Titanic 等,PEER 均有相当优异的表现。
在蚂蚁内部,金融分析师已开始广泛使用基于 agentUniverse 框架 + PEER 模式搭建的投研支小助 AI 智能助手,辅助每日热点事件解读、市场分析和周期性报告撰写,整体效率提升超过 50%,采纳率达 70% 以上。

与开发者同舟,与行业共济

当然,在某些情况下,我们还不总能让它们可靠地维持最佳表现。智能体之间的协同方式、协同效率,需要基于产业场景持续探索与提升。我们希望与开发者和行业一起,持续参与 AI 智能体探索,不仅提升金融专家的个人效率,还能辐射千行百业,推动产业智能化转型。这亦是我们将 agentUniverse 项目开放的初衷。
目前,python 开发者可以通过命令 pip install agentUniverse 安装本框架:

近期,我们将对 agentUniverse 多智能体框架项目开源,我们将以开放包容的社区氛围欢迎开发者加入,敬请期待。
May the OpenSouce force be with you. **
(陈鸿对本文亦有贡献)
🤩关于
agentUniverse 多智能体框架的更多信息,欢迎关注公众号「agentUniverse 智多星」**
AgentUniverse 多智能体框架现已开源,欢迎开发者朋友们体验、共建。

  • https://github.com/alipay/agentUnivers
  • https://gitee.com/agentUniverse/agentUniverse
多智能体协作:AI智能体的协作模式 多智能体协作:AI智能体的协作模式 作者:禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 关键词: 多智能体系统,协作,分布式人工智能,智能体通信,协调机制,强化学习,应用场景 阅读详情

相关推荐

基于AgentUniverse在金融场景中的多智能体应用探索【极客传媒】

基于AgentUniverse在金融场景中的多智能体应用探索

丨汀、的博客 968

探索AgentUniverse:蚂蚁集团发布的多体Agent构建工厂

agentUniverse

weixin_41496173的博客 5560

干货!提示工程架构师讲透多智能体系统提示协同机制

多智能体系统(MAS):由多个自主智能体(Agent)组成的集合,每个智能体具备感知、决策、行动能力,通过交互实现共同目标。智能体(Agent):系统中的“角色”,可以是LLM(如ChatGPT)、工具(如Python代码执行器)、传感器(如温度传感器)或机器人(如工业机械臂)。提示(Prompt):智能体之间的“沟通语言”,用于传递指令、状态、反馈或请求(如“帮我查询2023年AI融资数据”“当前湿度30%,需要启动加湿器”)。提示协同机制。

Java大师兄的博客 1213

【亲测免费】 AgentUniverse框架快速入门指南

在AgentUniverse项目中,您通常会发现以下主要目录结构: ``` . ├── README.md # 项目简介和说明文件 ├── src # 源代码主目录 │ ├── app.py # 应用主入口文件 │ ├── config.py # 配置文件 │ └── agents # 代理(agent)代码存放处 │ ...

gitblog_00376的博客 1846

解锁Multi-Agent系统:复杂任务的智能协作解决方案

Multi-Agent 系统以其独特的分布式处理、协同工作和自适应性等优势,在智能软件开发、智慧供应链管理、智能客服优化等众多领域展现出了巨大的应用价值。通过多个智能体之间的相互协作和信息交互,它能够高效地解决复杂问题,提升系统的整体性能和效率。在实现框架方面,MetaGPT 通过模拟软件公司多角色,利用 SOP 驱动智能体,实现了软件开发流程的高效协作;Autogen 支持创建和管理多个自主智能体,通过聊天组等机制实现智能体之间的顺畅沟通和协作;

远程部署调试 运行安装 项目调试 二次开发 项目技术新 持续迭代 部分源码免费分享 3800

芯片设计新手必看:5分钟搞懂工艺角(Process Corner)到底是什么,为啥仿真总要用它?

本文详细解析了芯片设计中的工艺角(Process Corner)概念及其在仿真中的重要性。通过类比马拉松运动员的性能差异,解释了晶体管制造过程中的天然波动,并介绍了TT/FF/SS等工艺角代码的含义。文章还探讨了为何需要跑全工艺角仿真,以及现代芯片验证的完整流程,包括PVT矩阵和多模式分析(MMMC),帮助芯片设计新手快速掌握这一关键概念。

weixin_28713947的博客 248

Multi Agents协作机制设计及实践

在前述博客中,我们利用LangChain、AutoGen等开发框架构建了一个数据多智能体的平台,并使用了LangChain的Multi-Agents框架。然而,在实施过程中,我们发现现有的框架存在一些局限性,这些局限性影响了系统的整体性能和用户体验。本文将从多智能体协作的重要性、协作机制的难点以及应用方向三个方面进行详细阐述。

weixin_43990004的博客 5540

WinCC ActiveX控件“许可证缺失”故障排查:从注册表修复到系统兼容性全解析

本文深入解析WinCC ActiveX控件报错“未找到许可证信息”的根本原因与解决方案。核心在于系统注册表中控件的设计时许可证密钥丢失或损坏。文章提供了从手动修复注册表、排查64位系统兼容性,到预防性环境部署的全流程专业指南,帮助工程师彻底解决这一常见故障。

oil88的博客 647

agentuniverse快速开始和踩坑

老大看了演示demo也想跟着做个agent工具,但踩坑太多,含泪写下博客。

stephen147的博客 1698

ONFI5.0命令字实战指南:从基础操作到高级应用

本文深入解析ONFI5.0协议的核心——命令字,提供从基础操作到高级应用的实战指南。详细拆解了NAND闪存的复位、读状态、数据读取(00-30)、页编程(80-10)和块擦除(60-D0)等关键命令周期,并探讨了多平面操作与缓存操作等高级性能优化技巧,帮助开发者高效、稳定地与NAND芯片进行底层交互。

vscode5coder的博客 463

不会C# Winform用户界面设计?是因为没有掌握这些控件(建议收藏)

文章目录6.1 常用控件6.1.1 单选按钮(RadioButton)6.1.2 复选框(CheckBox)6.1.3 框架1. 面板控件Panel2. 分组框GroupBox3. TabControl控件6.1.4 应用实例6. 2 列表框和组合框6.2.1 列表框(ListBox)6.2.2 组合框(ComboBox )6.2.3 应用实例6.3 用户交互界面6.3.1 滚动条和进度条6.3.2 定时器6.3.3 菜单设计菜单设计概述MenuStrip和ContextMenuSt

智慧空间实验室 2924

AgentUniverse终极指南:三小时从零构建智能体应用

🚀 **AgentUniverse** 是一个强大的LLM多智能体框架,让开发者能够轻松构建复杂的多智能体应用。无论你是AI新手还是经验丰富的工程师,都能在短时间内掌握这个框架的核心功能,快速搭建自己的智能体系统。 ## 🤖 什么是AgentUniverse? **AgentUniverse** 是一个专为LLM多智能体应用设计的完整框架,它提供了从智能体构建、协作模式管理到服务部署的全套

gitblog_00760的博客 735

数字图像处理:直方图匹配或规定化Histogram Matching (Specification)原理及感悟

本文介绍了连续图像和数字图像直方图匹配(直方图规定化)的原理、处理过程,并提供了案例进行了讲解。可以看到,直方图均衡处理是直方图匹配的一个重要桥梁。 最后,对于直方图规定化这个翻译个人觉得很low,个人感觉叫指定直方图更好理解,但Histogram Specification怎么翻译确实不太好把握,因此还是叫Histogram Matching直方图匹配最好。

老猿Python 2882

探索智能代理的新宇宙:agentUniverse项目深度解析

探索智能代理的新宇宙:agentUniverse项目深度解析 在人工智能的浪潮中,agentUniverse项目以其独特的框架和强大的功能,正逐渐成为开发者和技术爱好者的新宠。本文将带你深入了解agentUniverse,从项目介绍到技术分析,再到应用场景和项目特点,让你全面掌握这一开源项目的魅力所在。 1、项目介绍 agentUniverse是一个专注于智能代理技术的高级框架,旨在为开发者提供一...

gitblog_00839的博客 856

《PCI Express体系结构导读1》-- PCI简介

请先阅读完一遍此书再来看文章哦,这样效率更高~

HoneyIC的博客 154

【第一章】基于Simulink的控制器开发教程——目录

摘要:本文系统介绍了基于Simulink的控制器开发方法,涵盖PID、状态反馈、模型预测(MPC)、模糊控制、自适应控制等8类主流控制器。针对每种控制器,详细阐述了其基本原理、适用场景,并通过Simulink建模与仿真测试进行实践验证。文章采用"理论+实践"的结构,从算法设计到硬件实现全流程展开,为汽车、航空航天、工业控制等领域的控制器开发提供完整解决方案,最后通过应用对比与学习总结帮助读者掌握不同控制器的核心特性和应用场景。(149字)

熟悉MATLAB/fpga/RK3588/LABVIEW/protus/单片机/dsp/Multisim 395

多智能体协同:实现智能系统的合作与共赢

随着人工智能技术的快速发展,多智能体协同成为了解决复杂问题和实现更高级应用的重要手段。多智能体系统由多个智能体组成,这些智能体具备自主决策和合作能力,能够相互交流、协调行动,以实现共同目标。本文将介绍多智能体协同的概念、原理和应用,并探讨其在实际领域中的价值和挑战。

m0_72410588的博客 5760

Arduino、ESP32驱动AS3935数字闪电传感器(闪电传感器)

闪电传感器采用AMS独具创新的AS3935数字闪电传感芯片与Coilcraft的MA5532-AE专用天线,可在室内或室外,安全地检测方圆40km范围内发生闪电的距离,闪电相对强度与统计闪电发生次数。

不脱发的程序猿 2017

探索智能体的宇宙:agentUniverse开源项目推荐

探索智能体的宇宙:agentUniverse开源项目推荐 agentUniverseagentUniverse is a LLM multi-agent framework that allows developers to easily build multi-agent applications. Furthermore, through the community, they can ex...

gitblog_00075的博客 1114

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

AgentUniverse多智能体框架终极指南:从零构建智能协作系统

想要快速掌握多智能体框架开发,却不知从何入手?AgentUniverse作为强大的LLM多智能体框架,让开发者能够轻松构建复杂的多智能体应用程序。本文将通过问题驱动的方式,带你一步步探索这个功能强大的智能协作平台。 ## 🤔 为什么需要多智能体框架? 在传统单智能体系统中,单个AI模型往往难以处理复杂的多步骤任务。而AgentUniverse通过智能体间的协作,让每个智能体专注于自己的专业领

gitblog_01039的博客 879

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

终极指南:3步快速掌握AgentUniverse多智能体开发框架

AgentUniverse是一个强大的大语言模型多智能体框架,让开发者能够轻松构建复杂的人工智能应用系统。无论你是AI开发新手还是经验丰富的工程师,这个框架都能帮助你快速上手多智能体开发。🚀 ## 什么是AgentUniverse多智能体框架? AgentUniverse是一个专门为大语言模型设计的**多智能体开发框架**,它提供了完整的工具链和组件库,支持快速构建、部署和管理智能体应用。通

gitblog_00880的博客 987

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

多智能体系统基础:多个 AI 如何协同工作

上周去参加线下技术沙龙,散场的时候被两个程序员小兄弟拉住,蹲在门口一根接一根抽烟,满脸愁容地跟我吐槽。一个做了3年Python开发的哥们儿说:“哥,我快被单Agent搞崩了。上个月接了个企业的需求,做一个电商订单全流程处理的智能体,我让它既要接用户咨询,又要查订单物流,还要处理退款申请,顺便还要做用户满意度回访。结果上线三天,出了八回事故:一会把用户的退款金额算错了,一会查物流查到了别人的订单上,最离谱的一次,用户只是问了句什么时候发货,它直接给人操作了退款。旁边另一个刚转AI开发的小兄弟接话:“我更惨!

HHX_01的博客 1946

AgentUniverse(AU)多智能体框架详解

《AgentUniverse:金融领域的开源多智能体框架》 摘要:AgentUniverse是蚂蚁集团开源的金融领域多智能体框架,基于LLM技术构建,支持开发者快速创建领域专家级智能体。其核心特色在于PatternFactory模式工厂,提供PEER(计划-执行-表达-评价)等已验证的协作模式,适用于事件分析、财报生成等复杂场景。框架采用分层架构设计,支持主流LLM模型和多种数据源,具备企业级扩展能力和全链路监控。源自蚂蚁金融业务实践,该框架已在支小宝等产品中验证效果,服务超4300万用户。相比AutoGe

油墨香^-^的博客 552

AU(AgentUniverse) 多智能体框架讲解

摘要:agentUniverse是蚂蚁集团开发的Python多智能体框架(最新0.0.19版),专注于领域智能体应用开发。核心特性包括:模块化架构、多智能体协作模式(PEER/DOE)、主流大模型一键集成、可视化工作流平台。支持金融等专业领域知识融合,提供全链路监控能力。典型商业应用为金融AI助手"知小助",已通过蚂蚁业务验证。开发者可通过pip安装,利用丰富示例快速构建单/多智能体应用。开源地址:https://github.com/agentuniverse-ai/agentUniv

路漫漫亦无涯 934

多智能体系统:协作人工智能的未来

在这篇博客中,我将介绍一个模块化多智能体系统,用于在人工智能任务中协作参与。在这个系统中,具有不同特定任务能力的智能体协同工作,以实现研究挑战。每个参与的智能体都被分配了一个特定的角色,并通过智能体间的通信协作,共同创造最终成果。附带的代码片段展示了这个框架,使其在各个领域中的探索和应用变得可行。引言多智能体系统(MAS)代表了一种范式,其中多个独立的智能体协作工作,以比单一系统更有效的方式解决复杂问题。

z551646的博客 727

如何快速入门AgentUniverse:构建LLM多智能体应用的完整指南

AgentUniverse是一个强大的LLM多智能体框架,能帮助开发者轻松构建多智能体应用,并通过社区交流分享不同领域的模式实践。本文将带您快速掌握AgentUniverse的安装配置、核心功能与实战案例,让您从零开始打造自己的智能体应用。 ## AgentUniverse框架核心架构解析 🚀 AgentUniverse采用分层架构设计,提供了灵活的智能体开发与协作能力。从底层的LLM连接器

gitblog_00739的博客 770
下一篇: 大疆DJI无人机等你来拿,蚂蚁集团agentUniverse多智能体框架有奖征文
agentUniverse
博客等级 码龄6年 32粉丝 6原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值