原副标题:GitHub高歌猛进16.9k星,MetaGPT火热全站!
译者 | 王瑞平
如今,充斥着大词汇数学模型技术的不断成形,专精人员开始致力用它构筑智能化体,但却仍旧逗留在执行单纯各项任务的微观,缺乏深入细致发掘繁杂各项任务的功能。这也是由于之前的大词汇数学模型会产生适当“错觉”问题,进而妨碍了发展。
但是,Meta却冲破了这个“梦魇”,开放源码了名叫“MetaGPT”的架构,上架短短的数周就已火热全站,截至目前,已在Github上高歌猛进16.9k星,成为了Meta在人工智慧化界抛出的又两枚备受瞩目手榴弹!
从Github上的开放源码条目中由此可见,MetaGPT能抽象化出不同配角,是Saharanpur商品副经理、CTO、部门副经理、开发人员于多功能的AI辅助工具。奇妙的是,它能在标识符聚合时进行执法监督管理,进而提高最终输入的标识符质量。
有了它,应用软件子公司的研制组织工作业务流程Sonbhadra被抹杀;它不仅能协助子公司提高研制工作效率,还能降低研制成本。
因此,开发人员普遍表示:“该数学模型在‘演示现实生活应用软件设计过程’江苏舜天队提供更多的表达式、监督管理效用较佳,相对于同价位聚合的输入结果也更具有优势。”
1、多智能化体元程式设计架构
单纯来说,MetaGPT构筑的多智能化体元程式设计架构意在将有效的人类组织工作业务流程作为元程式设计方法转化成到由LLM驱动力的多智能化体协同中。数学模型的程式设计架构正是如前所述ChatGPT和应用软件BizTalk子公司的SOP体能训练的!其中,Code=SOP(Team)是核心理念神学。
应用软件子公司多配角左图(正在逐步实现)
如架构图右图,它能根据老板娘的“一句话”需求输入商品文件格式、体系结构、各项任务条目和标识符等,可被看做是由大词汇数学模型构成的交互式项目组。
首先,MetaGPT将标准化操作程序(SOP)编码到Prompt中,将多个智能化体协同过程结构化。然后,研究项目组进一步让输入模块化,赋予智能化体与人类组织工译者适当专精领域知识,进而验证输入并减少复合错误。通过这种方式,MetaGPT 以组织工作流水线的形式为各个智能化体分配了不同的配角,进而建立了一个能够有效、凝聚地解构繁杂多智能化体协同问题的架构。图片
官方文件格式中还展示出它的具体安装方法,在其中输入“python startup.py”,写个类似“今日头条”的推荐系统,Sonbhadra获得一系列输入,包括:数据结构和API设计等。
至于费用方面,聚合一个包含分析和设计的示例大约需要0.2美元(GPT-4 API的费用),而完成一个完整的项目大约需要2.0美元。
ITBEAR上发布的科技信息也显示,MetaGPT数学模型可应用于各种开发各项任务。假如你需要构筑一个算法推荐系统,数学模型可以分析系统的适用人群、列出适用人群特征并提出适当的功能需求,最后聚合标识符并验证。与传统的手动开发相比,它可以在短时间内更迅速地完成这些各项任务,进而降低开发成本。
这种结构化过程、代理协同和高级数学模型驱动力技术的融合正在改变应用软件设计的前景。在此过程中,研究者做出的贡献主要包括:引入元程式设计架构、整合人工SOP业务流程设计、实现最先进的性能。
结果表明,MetaGPT有潜力解决LLM中的错觉问题,进而指导LLM系统协同完成更有效的设计。
虽然这听上去效用不错,但却不能完全替代手工开发。开发人员对于通用数学模型的输入结果还是要有心理预期,毕竟此类场景还是需要用专精的垂直领域知识体能训练效用才会更好!
2、全能:商品副经理+CTO+部门副经理+工程师
MetaGPT作为全能的AI辅助工具,直接充当了商品副经理、CTO、部门副经理和工程师的配角,包揽了与开发相关的所有组织工作!主要功能是智能化化聚合标识符,即,输入需求后“写出”完整标识符。
具体来讲,无论是商品的PRD文件格式,还是项目架构分析,它都能完整的写出,还能提示你用的是哪种词汇、哪个架构,最后自动聚合相关业务流程图表,还真是有模有样!
而之前提及的GPT-Engineer只“扮演”了单一工程师的配角;MetaGPT却能扮演多个配角,这是最大的优势,就连服务器接口规范它都能完整列出,还能自动对标识符逻辑进行分析,并提示你每个文件能用来做什么。
有的网友好奇,便用它书写了命令行版的贪食蛇游戏,标识符聚合效用相当不错!蛇真的可以跑起来、吃豆子长尾巴、撞自己或撞墙后重置!
此外,MetaGPT还可以在大约10分钟内构筑出二十一点游戏,包括:标识符、图表、评论和文件格式,所有这些都只需2美元,这近一步为AGI铺平了道路。
3、工程师:一行需求完成端到端开发过程
MetaGPT架构前途无量!当我们仔细审视数学模型内部时,会发现内部实际上就是一个完整的应用软件子公司,由多个智能化体协同完成繁杂的应用软件问题。
具体来说,为了将Sop编码为提示符,MetaGPT通过配角定义、各项任务分解、过程标准化和其它技术设计,只用一行需求就能完成端到端开发过程。相关论文也已发表。
实验结果也表明,MetaGPT可以产生更高级的综合解决方案。与现有会话和如前所述聊天的多代理系统相比,它的一致性更强。
最后,为证实设计的有效性,研究者展示出应用软件协同开发的组织工作业务流程,并进行了相关实验来验证相关标识符的可行性。
在标识符聚合基准测试中,MetaGPT达到81.7%和82.3%的新高度。这意味着,与其它如前所述LLM的程式设计架构(如,AutoGPT、LangChain和AgentVerse)相比,MetaGPT可以处理更高级别的应用软件、解决繁杂问题,也凭借其广泛的功能脱颖而出。
值得注意的是,在相关的实验评估中,MetaGPT达到了100%的各项任务完成率,进一步证实了MetaGPT架构的高效性。
总之,这项研究通过集成标准操作程序为如前所述LLM的多智能化体系统概述了一个变革的范例。这Sonbhadra为多智能化体交互和相关合作开辟出新道路,不仅重新定义了人工智慧化,还指出通往AGI的道路。
4、局限性:无法处理繁杂信息
然而,需要注意的是,MetaGPT有一些局限性:例如,它只能创建单页的应用程序,而不能处理繁杂的信息,如,多页或数据库。因此,如果你的想法非常繁杂,MetaGPT可能无法正确聚合应用程序。
尽管有这些限制,MetaGPT仍有望成为创建单纯应用程序的有效辅助工具。此外,它的易用性可能对应用软件设计市场产生重大影响,进而减少对经验丰富开发人员的需求。
参考资料:https://arxiv.org/pdf/2308.00352.pdf