什么时候该用多智能体是不是一定要用多智能体？

现在智能体的概念很火，并且很多时候都需要多个智能体配合工作。但是，真的都需要用多个智能体吗？什么时候该用多智能体？

我们以大语言模型翻译为例。众所周知，现在大语言翻译，最佳实践是直译、反思和意译三个步骤，我以前有分享过 Prompt，可以在在一个 Prompt 中，让 ChatGPT 一次性完成这三个步骤。详细内容可以参考我以前写过的文章《直译、反思、意译：提升 GPT 翻译质量的一种新策略》https://baoyu.io/blog/prompt-engineering/translator-gpt-prompt-v2

吴恩达老师前不久也分享过一个项目，同样也是直译、反思和意译的思路，但是采用的多智能体，也就是不是整个过程不是在一个 Prompt 中完成，而是有三个智能体分别完成这三个步骤，每个智能体都有独立的 Prompt。

为了方便大家理解，我来举个例子，比如我要翻译一句话：“She was born with a silver spoon in her mouth.”

一个 Prompt 中的多步骤

如果是在一个 Prompt 中（具体 Prompt 可以参考我前面的文章链接），那么 LLM 的输出大概就是这样的：

输入

请按照直译、反思和意译的步骤，翻译下面这句话：
She was born with a silver spoon in her mouth.
好的，以下是按照直译、反思和意译的步骤翻译这句话：


1. **直译**：
   她出生时嘴里含着银勺子。


2. **反思**：
   这句话在英语中是一个惯用表达，意思是她生在富贵之家。直译的结果在中文中可能会让人感到困惑，因为含着银勺子并不是中文中的常见表达方式。


3. **意译**：
   她出生在富贵之家。

多个智能体

如果用多智能体来做，那么就是三个智能体分别完成这三个步骤，如果你想看吴恩达老师写的 Prompt 和程序，可以参考：https://github.com/andrewyng/translation-agent/blob/main/src/translation_agent/utils.py，这里我简化模拟一下：

直译智能体

直译智能体的输入：

请翻译这句话：
She was born with a silver spoon in her mouth.

直译智能体的输出：

她出生时嘴里含着银勺子。

反思智能体

反思智能体的输入：

<SOURCE_TEXT>
She was born with a silver spoon in her mouth.
</SOURCE_TEXT>
<TRANSLATION>
她出生时嘴里含着银勺子。
</TRANSLATION>
请检查上面的翻译，反思其中存在的问题，输出仅包含问题列表。

反思智能体的输出：

1. 翻译缺乏成语和习语的文化背景，未能传达原文中的隐含意义。
2. 直译“银勺子”可能在中文中显得生硬，不自然。
3. 翻译没有体现出“生来富裕”这一含义，仅描述了物理现象。

意译智能体

意译智能体的输入：

<SOURCE_TEXT>
She was born with a silver spoon in her mouth.
</SOURCE_TEXT>
<TRANSLATION>
她出生时嘴里含着银勺子。
</TRANSLATION>
<EXPERT_SUGGESTIONS>
1. 翻译缺乏成语和习语的文化背景，未能传达原文中的隐含意义。
2. 直译“银勺子”可能在中文中显得生硬，不自然。
3. 翻译没有体现出“生来富裕”这一含义，仅描述了物理现象。
</EXPERT_SUGGESTIONS>


请根据直译和反思的结果，重新意译，并输出最终翻译结果，不包含任何其他信息。

意译智能体的输出：

她出生在富贵之家。

一个 Prompt 多个步骤 vs 多个智能体

从上面的例子可以看出，两者的原理类似，结果也差不多，那么他们的区别是什么呢？

一个 Prompt 多个步骤

先说优点：

一个 Prompt 多个步骤，可以最大化的节约 Token，充分利用 LLM 输出的内容作为上下文，不需要多次输入输出，节省了时间和资源。

使用简单，只需要一个 Prompt，不需要额外的代码来处理多个智能体之间的交互。

既可以在 ChatGPT 这类聊天应用中使用，也可以在 API 中使用，适用范围广。比如我的科技文章翻译 GPT（https://chatgpt.com/g/g-uBhKUJJTl-ke-ji-wen-zhang-fan-yi），就是使用一个 Prompt 多个步骤的方式。

再说缺点：

不能对中间输出结果进行修改，比如我希望对第一步直译的结果，人工替换一些关键字，然后再进行反思和意译，这是做不到的。

对输出的解析相对复杂，由于所有步骤的结果都在一个输出中，所以就需要输出结构化的数据，比如 XML、JSON 等，然后再解析。当然对输出解析也不是必须的，比如我的科技文章翻译 GPT，就是直接输出文本，手动把意译的结果复制出来。

对模型能力要求比较高，需要模型能有很强的理解指令的能力，像这这样的一个 Prompt 多个步骤翻译的 Prompt 在 GPT-3.5 中是做不到的。

多个智能体

优点：

可以对每一步的中间输出结果进行处理，比如我希望对直译的结果，人工替换一些关键字，然后再进行反思和意译，这是可以做到的。

每一个智能体专注于完成一件任务，Prompt 写起来容易。

可以多个模型混合使用，比如说直译的时候可以用便宜的模型，反思和意译的时候用贵的模型。（不是说这样效果会好，只是举个例子）

缺点：

需要额外的代码来处理多个智能体之间的交互，比如上面的例子，需要一个中间层来处理直译的结果，然后传递给反思智能体，再传递给意译智能体。（可能有些低代码无代码平台可以不写代码，但是也需要配置。）

时间成本和 Token 成本相对高，从上面的例子你可以看到，如果多个智能体之间不能并行处理，那么就需要等待上一个智能体的输出，然后再传递给下一个智能体，这样就会增加时间成本。另一就是 Token 成本也相对较高，因为每个智能体要独立输入输出，有很多重复输入输出在里面。

无法直接在 ChatGPT 这类聊天应用中使用多智能体，除非你愿意手动一个个复制粘贴。或者借助 ChatGPT 的 @ 功能。

什么时候该用多智能体？是不是一定要用多智能体？

我的一个简单的原则： 先用多智能体把流程走通，然后再看看能不能优化成一个 Prompt 多个步骤。

这可能有点违法直觉，因为一个 Prompt 多个步骤看起来更简单更经济，但是 Prompt Engineer 是一个相对新的领域，有时候写提示词就像是玄学，对于复杂的任务，你很难一下子写出一个完美的 Prompt。

当你用多智能体，那么你首先要做的就是把你的复杂任务拆分成了多个简单的任务，这其实是相当重要的一步，这样你才能化繁为简，分而治之。

当你拆分成简单任务后，每一个任务相对就好去完成去写 Prompt 了。

等到整个流程跑通，再看看能不能把其中某几个智能体合并成一个智能体，本质上就是把多个 Prompt 合并成一个 Prompt。

记住这句话：“过早优化是万恶之源。”

另外并不是说一开始就要去写代码搭建一个智能体系统，完全可以现在 ChatGPT 这样的聊天应用中，手动写 Prompt，把中间结果手动复制粘贴一下，等到 Prompt 优化好了流程走通了，再去写代码搭建智能体系统也不迟。

See all posts