1770140199
2026-02-03 17:29:00
Исследователи все чаще исследуют синергию между моделями большого языка (LLM) и традиционными методами агентного программирования, что является важной областью, учитывая быстрое развитие систем генеративного ИИ и агентного ИИ. Рем Коллиер, Кэтрин Бомонт и Андрей Чортеа из Университетского колледжа Дублина и Университета Санкт-Галлена подробно описывают свой опыт создания прототипа интеграции LLM для языка программирования ASTRA в новом исследовании. Эта работа важна, поскольку она устраняет разрыв между существующими наборами агентских инструментов и новыми агентами на базе LLM, предлагая ценную информацию о том, как существующий опыт может помочь в разработке будущих агентских платформ и потенциально расширить их возможности. В документе демонстрируются три практические реализации, а также обсуждаются уроки, извлеченные в ходе разработки.
В этом исследовании подробно описывается создание astra-langchain4j, библиотеки, основанной на LangChain4J, Java-инфраструктуре с открытым исходным кодом для интеграции LLM, которая включена в ASTRA начиная с версии 2.0.3. Команда создала функциональный прототип, который позволяет агентам ASTRA использовать возможности LLM для рассуждения и планирования, внедряя механизмы быстрого создания, обработки ответов и уникальную систему BeliefRAG. Модульная архитектура ASTRA была расширена за счет плавного включения функций LLM, предоставляя разработчикам инструменты для определения подсказок, управления шаблонами и выполнения вызовов LLM в программах агентов. Эти интеграции стандартизированы, что упрощает процесс включения LLM в сложные агентские системы и обеспечивает согласованное взаимодействие между различными поставщиками LLM.
Библиотека находится в бесплатном доступе на Maven Central, что способствует более широкому внедрению и экспериментированию. Эксперименты демонстрируют функциональность библиотеки с помощью нескольких примеров реализации, включая «Агента-джокера», способного генерировать шутки на основе заранее определенных шаблонов и убеждений агента. Этот агент использует механизм BeliefRAG для динамического включения информации из своей базы знаний в подсказки, что приводит к более контекстуально релевантным и интересным ответам. Эта работа устанавливает практический путь для интеграции LLM в существующие структуры агентов, предлагая мощное сочетание символического мышления и генеративных возможностей. Будущие приложения могут включать более сложные автономные агенты, способные решать сложные проблемы, улучшать взаимодействие человека и компьютера и разрабатывать более адаптируемые и интеллектуальные мультиагентные системы. Команда разработала библиотеку astra-langchain4j, построенную на базе Java-фреймворка Langchain4J, для упрощения работы систем на базе LLM непосредственно в программах-агентах ASTRA. Эта библиотека представляет механизмы создания подсказок и обработки ответов, а также систему BeliefRAG, которая использует существующие убеждения агента для обогащения подсказок соответствующей информацией. Библиотека astra-langchain4j свободно доступна на Maven Central и легко интегрируется в систему сборки ASTRA Maven, позволяя разработчикам включать функциональность LLM, просто добавляя зависимость Maven.
Исследование впервые использовало модульный подход, используя существующую модульную систему ASTRA для инкапсуляции интеграции LLM и быстрого создания шаблонов. Каждый модуль интеграции LLM предоставляет стандартизированный набор действий для взаимодействия с соответствующим сервисом LLM, обеспечивая согласованность между реализациями. Для дальнейшей демонстрации возможностей библиотеки команда разработала агент «Джокер» (листинг 1.3), который генерирует шутки с использованием шаблона подсказки. Этот агент использует модуль Templater для создания подсказки с привязкой к теме животного, динамически вставляя слово «еж» в настройку шутки.
Затем модель обрабатывает это приглашение, генерируя ответ, который впоследствии выводится на консоль через модуль консоли. Система предоставляет гибкую основу для построения сложного поведения агентов, управляемого LLM, позволяя генерировать данные с расширенным поиском на основе внутренней базы убеждений агента. Это методологическое нововведение позволяет исследователям изучить синергетический потенциал традиционных наборов агентских инструментов и современных технологий LLM. Такой подход обеспечивает упрощенный процесс интеграции, позволяя разработчикам быстро создавать прототипы и развертывать агенты на базе LLM в среде ASTRA. Библиотека astra-langchain4j с ее модульной конструкцией и стандартизированными действиями облегчает создание повторно используемых компонентов и повышает удобство сопровождения кода, что в конечном итоге ускоряет разработку сложных агентных систем.
Агенты LLM демонстрируют повторение в простых играх
Дальнейшее исследование привело к изучению более сложных стратегий, начиная с реализации, основанной на рабочем процессе Anthropic Evaluator-Optimizer. Однако получившийся агент не смог превзойти основного игрока LLM. Несмотря на первоначальные обещания, LLM иногда ошибочно оценивал действия по блокировке как неблагоприятные, и агент иногда входил в цикл, отклоняя все действительные варианты. Этот агент изначально показал конкурентоспособную игру против линейного игрока, даже в какой-то момент добившись стабильных побед. Однако последующие прогоны в разные дни выявили нестабильность: агент снова проиграл линейному игроку. В их работе подробно описана разработка прототипа интеграции LLM и представлены три примера реализации: планировщик путешествий, рефлексивный игрок в крестики-нолики и агент укладки блоков Towerworld. Благодаря этим примерам исследователи получили представление о возможностях и ограничениях сочетания LLM с устоявшимися агентскими технологиями. Результаты показывают, что LLM можно легко интегрировать в агентно-ориентированные языки программирования благодаря наличию вспомогательных библиотек, таких как Langchain4j.
#AstraLangchain4j #обеспечивает #интеграцию #LLM #тремя #реализациями #агентного #ИИ
Читайте также
