Agenci, którzy natywnie samodzielnie orkiestrują, zarządzając własnym kontekstem, narzędziami i podagentami, to następny wielki krok w wydajności LLM. Obecnie, wykwalifikowany inżynier budujący zoptymalizowany system, z przemyślanym przepływem danych, separacją zadań, zarządzaniem podagentami itp., może wprowadzić dramatyczne poprawki w porównaniu do podstawowych wyników w przypadku konkretnych zadań. Gdyby model mógł to robić samodzielnie, byłoby to ogromnym krokiem naprzód. Dajesz mu cel i zestaw narzędzi, a on samodzielnie ustala optymalny sposób orkiestracji, aby wykonać zadanie. Na przykład, buduję bardzo prymitywnego AI naukowca, którego wkrótce udostępnię jako open-source. Większość pracy nie polega na podpowiedzi, lecz na systemie… co widzi orkiestrator, co widzą podagenci, co jest między nimi dzielone i kiedy, gdzie podsumowujemy, a gdzie przekazujemy surowe dane, oraz które narzędzia kontroluje każdy agent. Robienie tego pozwala mi dramatycznie poprawić to, co model może zrobić samodzielnie. Jeśli model potrafi skutecznie zaprojektować własny system dla danego problemu, byłoby to ogromnym krokiem naprzód. Moje zakład: modele samodzielnie orkiestrujące… te, które zarządzają własnym kontekstem, narzędziami i podagentami, przesuną granice prawie tak samo, jak skok z chatbota → rozumowanie.

Po prostu wywołuję to tutaj… Jestem w to całkiem pewny. Ktoś może to prototypować dzisiaj (może to ja!) tworząc model, który napisze szkielet dla danego promptu w Pythonie, włoży to do piaskownicy @daytonaio lub czegoś podobnego, a następnie przekaże prompt do szkieletu.