Beginner-friendly 101 guide on LLM agents

에이전트는 툴, 실행 코드, 임베딩, 벡터 저장소의 조합을 통해 대화형 LLM의 개념을 확장한다. 즉, 에이전트는 RAG에 부가적인 단계를 더한 것

🎊 This weekend, check out my beginner-friendly 101 guide on LLM agents! Use this comprehensive guide to understand the concepts and then build your own LLM agent!

🥁 LLM agents are gaining quite some momentum in the generative AI space since they can process feedback, maintain memory, strategize for future actions, and collaborate with various tools to make informed decisions.

⚡ This functionality resembles rudimentary human-like behavior, marking LLM agents as stepping stones towards the notion of Artificial General Intelligence (AGI).

💡 I’ve developed a beginner-friendly guide to introduce you to the foundations of LLM agents which also includes free resources to create your very own agent!

Here are the topics

• ⛳ Introduction to LLM Agents
• ⛳ LLM Agent Framework (Memory, Planning, Tools)
• ⛳ Multi-agent systems (MAS)
• ⛳ Real World LLM Agents
• ⛳ Evaluating LLM Agents
• ⛳ Build Your Own Agent

The guide is available on my GitHub repo: https://github.com/aishwaryanr/awesome-generative-ai-guide/blob/main/resources/agents_101_guide.md

Please note that while this guide is tailored for beginners, it assumes some prior understanding of LLMs and their practical applications.

🚨 I post #genai content daily, follow along for the latest updates! #genai #llms #agents

Translate to Korean

---

Lilys ai 번역 : https://lilys.ai/digest/674766

원문 : https://github.com/aishwaryanr/awesome-generative-ai-guide/blob/main/resources/agents_101_guide.md

1.LLM 에이전트 소개 및 기능

• LLM 에이전트는 큰 언어 모델 에이전트로, 진보된 언어 처리와 기타 중요한 구성 요소인 계획 및 기억을 결합하여 복잡한 작업을 처리하는 지능적인 시스템이며, 가상 어시스턴트를 구축할 때 중요한 역할을 한다.
• 이들은 예를 들어 여행 계획을 도와주는 가상 어시스턴트를 만드는 과정에서, 여행 주제와 관련된 복잡한 질문에 대답하고 개인 맞춤형 여행 계획을 제안할 수 있다.
• LLM 에이전트는 기본적인 질문 답변 능력을 넘어 피드백 처리, 기억 유지, 미래 행동에 대한 전략 수립 및 다양한 도구와의 협업을 통해 사람과 유사한 행동을 보이며, 인공 일반 지능에 대한 발전을 나타내고 있다.
• LLM 에이전트는 아예 자동화된 작업을 수행하는데 있어 인간의 개입이 필요하지 않으며, 이는 AI 기능의 상당한 발전을 나타낸다.

2.LLM 에이전트 프레임워크와 주요 구성 요소

• 기존 섹션에서 LLM 에이전트를 이해하기 위한 프레임워크를 논의했는데 에이전트를 뇌, 인식, 실행으로 세 가지 주요 구성 요소로 분해하는 것이었습니다.
• 이번 섹션에서는 에이전트 구성요소를 구조화하는 더 널리 사용되는 프레임워크를 살펴볼 것입니다.
• 이 프레임워크는 다음과 같은 핵심 요소로 구성됩니다: 에이전트 코어, 메모리 모듈, 도구, 그리고 계획 모듈.
• 에이전트 코어는 중심 의사결정 구성 요소로 작용하며 AI 에이전트 내의 핵심 논리와 행동 패턴을 감독합니다. 메모리 모듈은 AI 에이전트의 중요한 구성 요소로 내부 로그 및 사용자 상호 작용을 저장하는 저장소로 작용하며 단기 기억과 장기 기억으로 나뉩니다.
• 도구는 작업을 효과적으로 실행하기 위해 AI 에이전트가 사용하는 사전 정의된 실행 가능한 워크플로를 나타내며, 계획 모듈은 복잡한 문제 해결을 위해 잘 구조화된 접근 방식이 필요하며 LLM 기반 에이전트는 이를 처리하기 위해 다양한 기법을 활용합니다.

3.다중 에이전트 시스템의 장점 및 Collaboration

• LLM 기반 에이전트는 탁월한 텍스트 이해 및 생성 능력을 보여주지만, 다른 에이전트와 협력하거나 소셜 상호작용에서 배우는 능력이 부재해 일반적으로 고립된 환경에서 작동한다.
• 이러한 제한이 다중 턴 피드백 및 복잡한 시나리오에서의 협력을 통한 성능 향상 가능성을 저해한다.
• LLM 기반 다중 에이전트 시스템은 다양한 에이전트 프로필, 에이전트 간 상호작용 및 집단 의사 결정에 중점을 둔다.
• LLM-MA 시스템에서의 다중 자율 에이전트 간 협력은 에이전트 간의 독특한 전략, 행동 및 의사소통을 통해 동적이고 복잡한 작업을 처리할 수 있게 한다.
• LLM 기반 다중 에이전트 시스템은 노동 분담 원리를 기반으로 하여, 전문 지식을 갖춘 특화된 에이전트가 특정 작업을 효율적으로 처리하고, 작업 효율성과 집단 의사 결정을 향상시킬 수 있다.

4.️협력적 및 적대적 상호작용 유형

• LLM 기반 시스템의 다중 에이전트 상호작용은 협력적 및 적대적 상호작용으로 크게 분류될 수 있다.
• 협력적 상호작용에서는 에이전트들이 서로의 필요와 능력을 평가하며, 협력적인 행동과 정보 공유를 적극적으로 추구한다.
• 이미지 출처: https://arxiv.org/pdf/2309.07864.pdf

5.협력형 다중 에이전트 애플리케이션의 분류

• 작업 효율성을 향상시키고 집단 의사결정을 향상시킨다.
• 기존의 협력형 다중 에이전트 애플리케이션은 무질서한 협력과 순서있는 협력으로 분류될 수 있다.
• 무질서한 협력은 시스템 안의 여러 에이전트들이 특정 순서나 협업적인 워크플로우를 따르지 않고 각자 의견을 자유롭게 표현한다.
• 반면에 순서있는 협력은 각 에이전트가 의견 표현이나 토론에 특정 규칙이나 순서를 준수한다.
• 이러한 두 접근 방식은 각각의 혜택과 도전 과제가 있으며, 다중 에이전트 시스템의 특정 요구사항과 목표에 따라 선택되어야 한다.

6.적대적 상호작용과 다중 에이전트 시스템

• 협력 방법이 널리 연구되었지만 게임 이론의 개념을 다중 에이전트 시스템에 도입하는 이점이 인정받고 있다.
• 적대적 상호작용은 에이전트 전략의 동적 조정을 촉진하여 견고하고 효율적인 행동으로 이어진다.
• 적대적 상호작용이 LLM 기반 다중 에이전트 시스템에서 성공적으로 적용되는 예로는 토론과 논쟁이 있으며, 응답 및 의사 결정의 품질을 향상시킨다.
• 다중 에이전트 시스템에서는 지속적인 토론 처리 제한, 다중 에이전트 환경에서의 증가된 계산적 비용, 잘못된 합의로 수렴하는 위험 등 여러 가지 도전 과제가 남아 있다.
• 다중 에이전트 시스템의 발전을 위해서는 이러한 도전 과제를 해결하고 에이전트의 한계를 보상하고 발전시키기 위해 인간 가이드를 통합함으로써 나아가야 한다.
• MAS는 복잡한 환경에서의 협업, 의사 결정 및 문제 해결 능력을 향상시킬 수 있는 상당한 잠재력을 갖고 있는 동적인 연구 분야이다.
• 이 분야에서의 지속적인 연구와 개발은 지능적인 에이전트 상호작용 및 협력을 위한 새로운 기회를 열어주며 AGI 분야의 발전에 기여할 것으로 기대된다.

7.BabyAGI: 다양한 작업을 실행하는 자율 에이전트

• BabyAGI는 다양한 도메인에서 작업을 실행하기 위해 설계된 인기 있는 작업 중심 자율 에이전트이다.
• 주요 구성 요소는 OpenAI의 GPT-4 언어 모델, Pinecone 벡터 검색 플랫폼 및 LangChain 프레임워크를 활용한다.
• 1. GPT-4 (에이전트 코어):
• GPT-4는 시스템의 핵심으로 작용하며, 작업을 완료하고 완료된 결과를 기반으로 새로운 작업을 생성하며 실시간으로 작업을 우선 순위를 지정한다.
• 1. Pinecone (메모리 모듈):
• Pinecone은 작업 설명, 제약 조건 및 결과를 포함한 작업 관련 데이터를 효율적으로 저장하고 검색하는 데 활용된다.
• 1. LangChain 프레임워크(툴링 모듈):
• LangChain 프레임워크는 시스템의 능력을 향상시키며, 특히 작업 완료 및 의사 결정 프로세스에서 더 강력해지도록 도와준다.

8.BabyAGI 운영 단계

• 작업 완료: Task list에서 작업을 처리하며 GPT-4와 LangChain 기능을 사용하여 결과를 생성하고, 이를 Pinecone에 저장한다.
• 새로운 작업 생성: 완료된 작업 결과를 기반으로 BabyAGI는 GPT-4를 활용하여 새로운 작업을 생성하며, 기존 작업과 중첩되지 않도록 한다.
• 작업 우선순위: 새로운 작업 생성 및 우선순위를 기준으로 작업 우선순위를 조정하며, GPT-4의 도움을 받아 우선순위 지정 프로세스를 용이하게 한다.

9.LLM 에이전트 평가

• 다양한 분야에서 높은 성과를 보이지만, LLM 기반 에이전트를 양적, 객관적으로 평가하는 것은 여전히 어렵다.
• LLM 에이전트를 평가하기 위해 여러 벤치마크가 설계되었다.
• 예시로는 ‘AgentBench’, ‘IGLU’, ‘ClemBench’, ‘ToolBench’, 그리고 ‘GentBench’ 등이 있다.
• 과제 특정 메트릭 외에도, 에이전트를 평가하는 몇 가지 차원에는 유틸리티, 사회성, 가치, 지속적인 진화 능력, 적대적 강건성, 그리고 신뢰성이 포함된다.

10.️ 에이전트를 직접 만들어 보세요 (자료)