Hluboce souhlasím:1. Paralelní spolupráce mezi více agenty není tak stabilní jako jedno vlákno. 2. RAG není tak spolehlivý jako tradiční vyhledávání; 3. Čím více instrukcí ve výzvě, tím více model neví, jak si vybrat. ——Původní překlad je následující—— Na cestě k vytváření agentů umělé inteligence náš tým @Cline identifikoval tři "myslící viry". Takzvaný "myšlenkový virus" jsou lákavé nápady, které znějí velmi chytře, ale v praxi vůbec nefungují. Tyto tři viry jsou: * Multi-agentní orchestrace * Vyhledávání Augmented Generation (RAG) * Čím více instrukcí = tím lepší efekt Pojďme to zjistit! 1. Spolupráce s více agenty Scéna ve sci-fi filmu - "týloví agenti, muniční agenti, analytičtí agenti, velitelští agenti" - vyslání velké skupiny sub-agentů a nakonec shrnutí výsledků - zní opravdu skvěle. Skutečnost je však taková, že drtivá většina užitečné práce agentů je jednovláknová. Složité procesy spolupráce zřídka přinášejí skutečnou hodnotu a často vytvářejí chaos. Víte, je dost těžké přimět model, aby fungoval stabilně v jednom vlákně, natož aby se vypořádal s logikou paralelní spolupráce. To nejen zvyšuje složitost implementace, ale také činí proces pochopení a rozhodování o modelu extrémně složitým. 2. Použití RAG k vytváření agentů RAG, neboli Retrieval Augmented Generation, je také myšlenkový virus. Teoreticky to vypadá výkonně, ale v praxi, zejména ve scénářích agentů, jsou i základní příkazy pro vyhledávání textu, jako je GREP, někdy lepší než on. Proč aura RAG ve skutečném pracovním postupu agenta mizí? Protože získané informace jsou často roztříštěné a nemohou modelu umožnit vytvořit koherentní a užitečné "porozumění". Lepším přístupem je téměř vždy nechat model, aby vypsal soubory sám, hledal způsobem podobným grepu a poté otevřel a přečetl celý soubor (stejně jako člověk). Tým @Cline to začal dělat brzy a pak jsme viděli, že @Amp – Research Preview a @Cursor – také přešel k tomuto pragmatičtějšímu přístupu. 3. Více instrukcí = tím lepší efekt Existuje rozšířená mylná představa, že hromadění dalších a dalších "instrukcí" v systémových nápovědách dělá model chytřejším. To je zcela nesprávné. "Zalévání" výzvy pouze zmate model, protože více pokynů má tendenci vést ke konfliktním návrhům a přetížení informacemi. Výsledkem je, že musíte hrát hru "prásknout krtka" a neustále si pohrávat s nejrůznějšími podivnými chováními modelu, místo abyste získali opravdu užitečný výstup. U většiny dnešních špičkových modelů je nejlepším způsobem, jak se jim vyhnout z cesty, nekřičet na ně ve snaze nasměrovat je určitým směrem. Važte si prosím každého svého slova (nebo symbolu). Celkově vzato, všechny tři výše uvedené myšlenky jsou velmi lákavé. Pokud s umělou inteligencí nepracujete celý den, možná si myslíte, že všechny dávají velký smysl – ale není tomu tak. Samozřejmě, že s tím, jak se budou zlepšovat schopnosti základních modelů, se naše vnímání těchto metod může v budoucnu změnit.