现在有了一个框架，可以让代理为完成任务而彼此自主行动！"！

三个要点
✔️ 提出了角色扮演，这是一个改善代理之间合作的新框架
✔️ 创建了两个大型对话数据集，以测试角色扮演的性能
✔️ 为实现本文中使用的代理开放库源。

CAMEL: Communicative Agents for "Mind" Exploration of Large Scale Language Model Society
written by Guohao Li, Hasan Abed AI Kader Hammoud, Hani Itani, Dmitrii Khizbullin
(Submitted on 31 Mar 2023)
Comments: Published on arxiv.
Subjects: Artificial Intelligence(cs.AI); Computation and Language (cs.CL); Computers and Society (cs.CY); Machine Learning (cs.LG); Multiagent Systems(cs.MA)

code：   

本文所使用的图片要么来自论文、介绍性幻灯片，要么是参考这些图片制作的。

介绍。

虽然基于聊天的大规模语言模型（如ChatGPT）的快速发展在解决各种任务方面取得了令人印象深刻的结果，但它们的任务解决能力在很大程度上取决于人类引导代理的能力，而用户需要确保他们的意图是正确的需要适当和准确的提示。

此外，创建有效的提示往往需要对该领域有深刻的理解和专业知识，例如，没有交易专业知识的人很难创建适当的提示来指导代理人开发交易性的应用程序。

本文提出了一个新的代理框架，命名为角色扮演，以解决这些问题，通过对两个大型数据集的实验证明了其有效性，并通过开源与这些实现相关的库来支持未来的研究本文描述了对以下领域的重大贡献

角色扮演框架

角色扮演是本文提出的框架，是引导多个通信代理自主完成任务的一种新方法。

这种方法将是一种旨在通过角色扮演解决任务的方法，在给定任务时，人工智能助理和人工智能用户这两个人一起工作。

作为一个例子，下图显示了当一个用户被赋予 "为股票市场开发一个交易机器人 "的任务时的整体角色扮演。

在这个例子中，在角色扮演环节开始时，Python程序员和股票交易员的角色被分别分配给人工智能助理和人工智能用户，其中人工智能用户是任务规划者，进行适当的规划，而人工智能助理是回应人工智能用户，同时作为任务执行者执行规划的计划。

因此，可以看出，角色扮演的结构是这样的：用户只需将角色分配给代理，而代理则自动引导对方完成任务的计划。

此外，作者还开放了与实现角色扮演相关的库，从而使其成为一种有效的方法，任何人都可以在用户可能不具备实现任务的专业知识的情况下使用，这在过去是很难做到的。.

初始化的提示

与通常的语言模型不同，这种方法的提示工程只发生在角色扮演阶段的初始任务规范和代理角色分配，一旦对话阶段开始，人工智能助理和人工智能用户就会自动提示对方，直到任务完成。

在本文中，这种提示工程被称为Inception Prompting，它由三个提示组成：任务指定者提示、助理系统提示和用户系统提示。

作为一个例子，下面讨论的Inception Prompting for AI Society role-playing，是一个对话数据集，如图所示。

任务指定提示包含人工智能助理和人工智能用户在角色扮演环节中的角色信息，允许代理将想法作为输入并生成具体任务。

助理系统提示（Assistant System Promt）和用户系统提示（User System Prompt）包含了关于分配的任务和角色、终止条件、约束和要求的信息，以避免不良行为，并在实现代理之间的自主合作中发挥了非常重要的作用可以看出，。

实验

在本文中，在进行验证时，我们收集了大量的对话数据集，在此基础上，我们创建了两个数据集，命名为CAMEL AI社会和CAMEL代码，并分析了这些数据集。

然后，我们通过角色扮演的人工智能助手和使用两个gpt-3.5-turbo代理的人工智能用户模拟进行了验证，并讨论了这个过程中发现的挑战。

CAMEL人工智能协会

为了创建CAMEL人工智能协会，我们实施了以下一系列的分步方法

1. 最初，代理被提出来选择人工智能助理和人工智能用户的角色（这是通过给代理特定的提示来完成的，旨在引起这些角色）。
2. 然后指示代理生成一系列可能的任务，这些任务可以通过生成的人工智能助理和人工智能用户的角色进行角色扮演来解决
3. 在生成一系列可解决的任务后，传递给代理的任务指定提示被用来使任务更加具体化。

这一系列步骤的提示摘要见下图。

这个提示产生了50个不同的人工智能助手和人工智能用户，10个任务和总共25000个对话集。

生成的AI助手和AI用户的角色如下图所示。

CAMEL代码

为了生成CAMEL代码，采用了与CAMEL AI协会类似的方法，实施了以下方法

1. 首先，让代理人提出一个编程语言和领域的清单
2. 然后，该代理被指示生成一组可能的任务，这些任务可以由一个程序员解决，他是一个特定编程语言的专家，与特定领域的人一起工作。
3. 使用任务指定器提示，使生成的任务集更具体。

这一提示产生了20种编程语言、50个领域和每个编程语言和领域组合的50个任务，总共有5,000个对话集�

挑战和观察

使用上述数据集，角色扮演模拟揭示了下图所示的四个挑战。

这四项挑战如下。

1. 角色翻转：在对话中在人工智能助手和人工智能用户之间切换
2. 助理复述指令：助理复述支持
3. 弗拉克回复：人工智能助手给出了 "我会......"模糊的回复，如 "我将...
4. 无限对话：人工智能助手和人工智能用户进入无尽的循环，进行无意义的对话。

这些问题的解决可以为开发更有效的人工智能系统提供线索，这种验证提供了宝贵的见解。

摘要

它是怎样的？在这篇文章中，我们描述了一篇论文，它提出了一个名为角色扮演的新代理框架，通过在两个大型数据集上的实验证明了其有效性，并通过开源与这些实现相关的库，为支持未来的研究做出了重大贡献。该论文被提交。

虽然本文的内容为大规模语言建模和通信代理领域提供了有价值的见解，但也存在一些挑战，如角色扮演产生的大量多样的任务，需要大量的领域知识来评估任务完成情况，所以未来的进展是值得注意的是。

本文提出的提示和数据集的细节，感兴趣的人可以在本文中找到。

• 
• 
• 

与本文相关的类别

• 大型语言模型
• 聊天室GPT