Lilian Weng détaille le moteur des agents autonomes

Les LLM structurent les agents autonomes comme des systèmes capables d’aborder des problèmes généraux. L’article de Lilian Weng présente le modèle LLM comme un puissant solveur de problèmes généraux. Cette fonction constitue le point de départ d’agents capables de traiter des tâches en plusieurs étapes. Le modèle ne se limite donc pas à produire une réponse isolée. Il peut aussi participer à la construction d’une démarche. Cette démarche repose sur plusieurs capacités décrites dans l’article. Les agents doivent connaître leurs sous-objectifs. Ils doivent également planifier à l’avance. La planification devient ainsi une composante explicite du fonctionnement agentique. Lire l’article de Lilian Weng.

Trois démonstrations illustrent cette approche avec AutoGPT, GPT-Engineer et BabyAGI. Ces projets sont présentés comme des démonstrations de preuve de concept. AutoGPT figure parmi les exemples cités pour matérialiser l’idée d’un agent fondé sur un LLM. GPT-Engineer et BabyAGI apparaissent également dans cette même catégorie. Ces noms désignent donc des projets utilisés pour montrer le fonctionnement possible d’agents autonomes. Leurs dépôts publics permettent d’examiner ces démonstrations. AutoGPT, GPT-Engineer et BabyAGI constituent les trois références mentionnées.

Les agents planifient leurs sous-objectifs

La planification précède l’exécution d’une tâche composée. Les agents doivent savoir quels sont les sous-objectifs. Ils doivent aussi planifier à l’avance, selon la déclaration reprise dans l’article. Cette exigence distingue une tâche unique d’une séquence organisée d’actions. Elle donne au système une structure avant le déroulement des étapes. La planification ne constitue toutefois qu’un élément de l’architecture décrite. La décomposition des tâches intervient également dans ce fonctionnement. Elle peut être réalisée par un LLM avec des instructions simples. Le modèle intervient alors pour diviser une tâche en parties plus petites. Cette capacité s’appuie directement sur son rôle de solveur général.

La décomposition utilise des instructions simples adressées au LLM. L’article présente cette méthode comme une façon de transformer une tâche en sous-tâches. Le modèle peut donc contribuer à organiser le problème sans nécessiter une description détaillée de chaque étape. Cette approche complète l’obligation de connaître les sous-objectifs. Elle relie la planification générale à une opération concrète de découpage. Les agents disposent ainsi d’un cadre composé de sous-objectifs et de tâches décomposées. AutoGPT, GPT-Engineer et BabyAGI servent de démonstrations de preuve de concept associées aux agents autonomes. Leurs noms montrent les projets cités pour illustrer cette famille de systèmes fondés sur les LLM.

Reflexion ajoute une mémoire dynamique

La réflexion personnelle améliore les décisions selon une déclaration présentée dans l’article. Cet aspect est décrit comme essentiel pour les agents autonomes. La réflexion personnelle permet à l’agent d’examiner son fonctionnement et d’améliorer ses décisions. Le cadre Reflexion formalise cette capacité. Il permet aux agents de disposer d’une mémoire dynamique. Il leur apporte également des capacités de réflexion personnelle. Ces deux éléments sont associés dans la description du cadre. Reflexion ne désigne donc pas seulement une mémoire. Il combine cette mémoire dynamique avec une capacité de réflexion. Les agents autonomes sont ainsi décrits à travers la planification, la décomposition des tâches et la réflexion personnelle.