当前生成式模型主要用于内容创作和信息筛选。然而，最近关于AI智能体（能够独立参与用户定义目标的实体）的研究和讨论表明，通过为AI提供类似于1990年代互联网的经济通道，我们可能会看到AI的实质性进步。

为了实现这一目标，智能体需要能够代理它们可以控制的资产，因为传统的金融系统并不为它们设置。这正是加密货币发挥作用的地方：它提供了一个数字化支付和所有权层，具备快速结算能力，特别适合用于构建AI智能体。

在本文中，我将向您介绍智能体及其架构的概念，研究中的案例如何证明智能体在超越传统LLM方面具有新兴特性，并探讨在基于加密货币的智能体构建解决方案或产品的项目。

什么是智能体？

AI智能体是由LLM驱动的实体，能够规划和采取行动，通过多次迭代实现目标。

智能体架构

智能体架构由单一智能体或多个智能体组成，共同解决问题。

• 单智能体架构：一个语言模型独立执行推理、规划和工具执行，尽管没有来自其他智能体的反馈机制，但人类可以选择向智能体提供反馈。

• 多智能体架构：涉及两个或多个智能体，每个智能体可以使用相同或不同的语言模型和工具。智能体可以单独或协同使用工具，通常每个智能体都有特定的角色。

智能体架构的配置文件

智能体具有配置文件或角色，定义了提示的特定应用和行为对LLM输出的影响。这可以通过以下方法实现：

• 手工制作：人工指定的配置文件，灵活但耗时。

• LLM生成：由LLM生成的配置文件，包含围绕组成和属性的规则集，有时包含少量示例样本。

智能体架构的记忆

智能体的记忆存储并利用从环境中获取的信息，用于制定新的计划或行动，使智能体能够根据经验自我进化和行动。这可以通过以下方式实现：

• 统一记忆：类似于通过情境学习或持续提示实现的短期记忆。

• 混合记忆：结合短期和长期记忆，短期记忆是当前状态的临时缓冲区，而长期记忆则永久存储在数据库中。

智能体架构的规划

智能体将复杂任务分解为更简单的子任务来解决。

• 无反馈规划：智能体在执行行动后不接收对未来行为有影响的反馈。

• 带反馈规划：智能体根据外部反馈迭代地细化子任务。

智能体架构的行为

行为将智能体的决策转化为具体结果，可以包括任务完成、通信和环境探索。

智能体架构的能力获取

智能体必须具备特定任务的能力才能在动作空间内正确执行动作，主要通过以下两种方法实现：

• 微调：在人工标注、LLM生成或真实行为数据集上训练智能体。

• 无需微调：通过复杂的提示工程和/或机制工程使用LLM的先天能力。

文献中的智能体案例

这些案例展示了不同应用场景中智能体的应用：

• 生成式智能体：在虚拟环境中模拟人类行为，例如a16z AI Town的实现，展示了多智能体系统的社交行为。

• 描述解释计划选择(DEPS)：能够完成多达70多项Minecraft任务的零样本多任务智能体。

• Voyager：Minecraft中首个由LLM驱动的体现终身学习的智能体，能够不断探索并学习新技能。

• CALYPSO：设计用于游戏“龙与地下城”的智能体，协助创作和讲述故事。

• Minecraft中的幽灵(GITM)：能够完成游戏中任务的智能体，例如挖掘钻石。

• SayPlan：基于LLM的机器人大规模任务规划，能够执行长期任务规划。

• HuggingGPT和MetaGPT：分别用于执行多种挑战性任务，如语言、视觉和其他复杂任务。

• ChemCrow：用于化学任务，如有机合成和药物发现的LLM化学智能体。

• BabyAGI和AutoGPT：通用基础设施示例，用于创建、确定优先级和执行任务。

加密中的智能体示例

这些示例展示了智能体如何在加密领域中发挥作用：

• FrenRug：基于GPT-4的智能体，用于推广土耳其地毯的游戏，通过链上节点投票决定智能体购买的提案。

• Autonolas在Gnosis上的预测市场智能体：用于预测市场的智能合约包装器，通过监控和分析市场实现预测。

• ianDAOs GPT<>Safe演示：使用syndicateio交易云API在Safe多重签名钱包上自主管理资产。

• 游戏智能体：在游戏环境中执行各种角色，如店主、旅行商人和任务提供者。

• Safe守护天使：用于监控和防御钱包安全威胁的智能体。

• Botto：链上艺术家的智能体，作品通过投票决定并在市场上销售。

值得关注的智能体项目

这些项目展示了正在关注的智能体应用：

• AIWay Finder：去中心化知识图谱，提供区块链生态系统的虚拟路线图，用户通过识别智能体使用的路径获得奖励。

• Ritualnet：用于设置多智能体架构的推广节点。

• Morpheus：点对点网络，代表用户执行任务。