以下是为您推荐的一些与 multi agent 相关的项目：
此外，为您补充一些关于 multi agent 的知识： 多智能体（Multi-Agent）是由多个自主、独立的智能体（Agent）组成的系统。每个智能体都能感知环境、决策并执行任务，且它们之间能信息共享、任务协调与协同行动以实现整体目标。
随着大型语言模型（LLM）的出现，以 LLM 为核心构建的 Agent 系统受广泛关注。目前常见框架集中在单 Agent 场景，其核心是 LLM 与工具协同配合，可能需与用户多轮交互。而多 Agent 场景为不同 Agent 指定角色，通过协作完成复杂任务，与用户交互可能减少。
构建多 Agent 框架主要组成部分包括：
《[Multi Agent策略架构基础（1）](https://waytoagi.feishu.cn/record/1sfvunQZGoT5vB2r29i9PWi6W)》是作者对逐渐升温的Multi Agent领域的探索，有代表性的Multi Agent demo项目包括AutoGPT、Smallville小镇和面壁智能ChatDev，Multi Agent有潜力解决复杂问题，但仍需面对挑战和限制；城主发表了一篇《[2023年的大模型：OpenAI科学家最新讲座（完整版）](https://waytoagi.feishu.cn/record/1sfvuPPwj8ZTnMvEQIwaSJRxY)》，Hyung Won Chung从Google跳到OpenAI一年多，他在网络上所做的LLM技术分享中提供了LLM在2023年的最新动向和大量技术细节，颇有价值；《[马丁的](https://waytoagi.feishu.cn/record/1sfvun2KibnFAT2lXmbW1SynB)[Character.AI](https://waytoagi.feishu.cn/record/1sfvun2KibnFAT2lXmbW1SynB)[赛道说明书](https://waytoagi.feishu.cn/record/1sfvun2KibnFAT2lXmbW1SynB)》详细分析了NPC赛道，它通过创造虚拟角色和提供陪伴服务来满足用户的需求，而不是通过认识新的人或建立人际关系。这个赛道的关键在于技术的发展和商业利益的引入，以及创作者生态的建设；
（这一部分介绍的比较少）现在用的比较多的就是使用Copilot进行联网搜索，以及在解决某数理逻辑问题时，调用代码插件来辅助解决。第三个是Planning（规划），非常惊艳的设计，用户输入任务，AI拆解流程、选择工具、调用、执行并输出结果。我在做一些demo时会遇到一些错误，但Agent绕过了我的错误，自主地完成了任务。我在这里举一个例子，改编自HuggingGPT这个论文，我需要生成一个图片，一个女孩在看书，她的姿势要个我给的这个图片中的男孩一样，然后你再用文字描述这篇文章。Agent的做法是，先提取该图片中男孩的姿态（可能是调用的Huggingface上的模型），然后再找到一个模型生成一张同样姿势的图片，最后再描述好生成的这张图片。Agent的效果不一定保证非常好，但大部分情况比较高效，比如我之前谷歌搜索会花费大量时间，现在我会丢一个问题给Agent，然后过一会来看它给的回复。最后一个是Multi-agent，多智能体协作（吴恩达在这里的举例，来自清华面壁智能的开源项目ChatDev）。每个Agent被赋予了不同的身份，比如有的是CEO，有的是产品经理，有的是程序员，他们互相合作互相对话，比如你让他们开发一个简单的小游戏，他们会花几分钟时间来编写代码并测试。尽管有时候不是很有效，但非常有前景和想象力，它模拟了现实生活中的工作场景，Multi-agent不仅仅只能执行单一任务，而是成为了一个复杂系统。最后是结论，我认为未来，得益于Agentic Worklfow，AI能做出来更多牛逼的应用。但现在我们等待Agent的回复需要比较长的时间，所以更快的token生成速度是很重要的（吴恩达在此又扯了个故事，表达的意思是人性就是希望即时满足）。
多智能体（Multi-Agent）是由多个自主、独立的智能体（Agent）组成的系统。在这个系统中，每个智能体都能够感知环境、进行决策并执行任务，同时它们之间可以进行信息共享、任务协调以及协同行动，以实现整体的目标。[heading2]关于Multi-Agent[content]随着大型语言模型（LLM）的出现，以LLM为核心构建的Agent系统近期受到了广泛关注。Agent系统旨在利用LLM的归纳推理能力，为不同的Agent分配角色和任务信息，并配备相应的工具插件，以完成复杂的任务。目前，更常见的框架主要集中在单Agent场景下。单Agent的核心在于LLM与工具的协同配合。LLM根据用户任务的理解，推理出需要调用的工具，并根据调用结果向用户提供反馈。在任务完成过程中，Agent可能需要与用户进行多轮交互。与此同时，越来越多的Agent框架开始关注多Agent场景。为了完成任务，多Agent会为不同的Agent指定不同的角色，并通过Agent之间的协作来完成复杂的任务。与单Agent相比，在任务完成过程中，与用户的交互可能会减少一些。[heading2]主要组成部分[content]为构建一个多Agent框架，我们需要思考相对于单Agent，框架中增加了哪些组件。环境（environment）：所有Agent应该处于同一个环境中。环境中包含全局状态信息，Agent与环境之间存在信息的交互与更新。阶段（stage）：为了完成复杂任务，现有多Agent框架通常采用SOP思想，将复杂任务分解为多个子任务。控制器（controller）：控制器可以是LLM，也可以是预先定义好的规则。它主要负责环境在不同Agent和阶段之间的切换。记忆：在单Agent中，记忆只包括用户、LLM回应和工具调用结果等部分。而在多Agent框架中，由于Agent数量增多，导致消息数量增多。同时，每条消息可能需要记录发送方、接收方等字段。