我算比較資深的 Agent 開發(fā)者：ChatGPT中，用量最大的 Plugin 和用量最大的華人捏的 Bot，可能都是我做的。

之前寫過一篇實操教程：《保姆級教程：Coze 打工你躺平》，今天想從 Agent 的發(fā)展脈絡(luò)，來更深入談?wù)劇?/span>

不做詞義追源，僅從大眾角度，這個事兒是去年初開始的，也就是 2023 年 2-3 月。標(biāo)志性事件包括：

• AutoGPT 等開源項目的發(fā)布，這是第一批基于自然語言的 AI 自動化實踐：你告訴它一個任務(wù)，它就會通過自然語言的自我對話，將這個任務(wù)進行拆分、規(guī)劃并實現(xiàn)。

• 斯坦福小鎮(zhèn)一類的項目實踐：給予不同的 Bot 以不同的人格，搭配記憶窗口，讓它們之間相互對話。

• 發(fā)表于 2 月的論文《Toolformer: 大模型可以教自己使用工具》，以及 OpenAI 在 3 月底發(fā)布的插件計劃：這意味著，大模型從原來的“思想家”，通過對外部工具的使用，變成了實干家。

《AI 學(xué)會使用工具了》

2023年2月14日，報道自賽博禪心

時至今日，對于 Agent 是什么，可能還沒有一個標(biāo)準(zhǔn)的定義。

一個常見的觀點是，Agent 是一種讓 AI 以類似人的工作和思考方式，來完成一系列的任務(wù)。一個 Agent 可以是一個 Bot，也可以是多個 Bot 的協(xié)同。就像是職場里，簡單的工作獨立完成，復(fù)雜的工作協(xié)作完成一樣。

對于每個 Bot 來說，可能會包括：

• 一個大腦：判斷和規(guī)劃行為，這里通常用 GPT-4或同水平的 LLM；

• 眼睛和手：確認信息和使用外部工具，一般是各種插件/action/api；

• 工作紀(jì)要：儲存已經(jīng)發(fā)生的事，通常的媒介是上下文窗口，或者數(shù)據(jù)庫；
  

• 行為SOP：明確這個 Agent 的身份、任務(wù)、目標(biāo)和機制。這個 SOP 可能是用戶給的，也可能是由其它 Bot 給出的。

再具象一點，這里我從 GPTs 里截了個圖：

對于 GPTs，通常被認為是由 OpenAI 設(shè)計的簡化版的 Agent。默認情況下，只能進行單 Bot 交互：

• 一個大腦：在 ChatGPT GPT Store 里，GPT-4 是唯一可選的 LLM；

• 眼睛和手：可以在 Capabilities 里勾選由 OpenAI 提供的第一方能力，也可以通過Actions 來拓展更多的外部能力；

• 工作紀(jì)要：一般來說就是對話記錄，GPTs 可以回顧之前的對話；
  

• 行為SOP：存放在 Description, Instructions 以及 Knowledge 里。

以 OpenAI 為例，我們看看 Agent 是如何一步步演進的。

去年 3 月底，OpenAI 宣布了插件計劃，并在 5 月上線了插件商店，這也標(biāo)志了 OpenAI 揭開 Agent 戰(zhàn)局的第一步。

在當(dāng)時 OpenAI 給開發(fā)者發(fā)送的指引中，給了這樣的 Todo：

• 第一步：開發(fā)接口，來定義 ChatGPT 可以調(diào)用的功能。接口可以是新開發(fā)的，也可以是改造現(xiàn)有的

• 第二步：寫一份文檔，給 ChatGPT 來看，讓它知道什么時候去調(diào)用接口。當(dāng)然，這里要遵循一定的格式，然后用自然語言來寫。

如果你做過 OpenAI API 的開發(fā)，可能會覺得這個文檔有些熟悉，這不就是 Fuction Call 嗎？

沒錯，在 2023 年 6 月 13 日，OpenAI 發(fā)布了 Function Call 模式，讓大模型可以來調(diào)用外部工具，用的就是非常類似的方案。

再往后，OpenAI 的相關(guān)工作人員做了一系列的 Research，關(guān)于 Agent 的最佳實踐。同時的，也發(fā)布了 Custom Instruction 指令的相關(guān)功能。

之后，ChatGPT 推出了 All Tools 功能。也就是回答用戶問題時，不再需要用戶自主的來選擇工具，這可以視作是“自動版的Plugin”，覆蓋了三款官方工具：Browsing, Advanced Data Analysis 和 DALL·E。

時間推移，在2023 年 11 月 6 日的時候，在 OpenAI 開發(fā)者大會上，Sam Altman 宣布了 GPTs，這通常被認為是 OpenAI 推出了其第一個正式版的 AI Agent。在最初的版本中，包括以下功能

• 允許用戶創(chuàng)建多個 Bot，自定義它們的身份和回答風(fēng)格。并且這些 Bot 可以分享

• Bot 可以自有使用三款官方工具：Browsing, Advanced Data Analysis 和 DALL·E

• Bot 也可以通過 Action 的方式（類似 API 的東西），去調(diào)用任何的外部能力

• Bot 可以有自己的數(shù)據(jù)空間，允許用戶對這些數(shù)據(jù)進行 QA。比如在《我剛弄個賊實用的GPTs》中，我上傳了 OpenAI 的開發(fā)文檔，幫助開發(fā)者快速生成 OpenAI 的調(diào)用代碼

同時，在11月06日的時候，OpenAI 也更新了幾個影響深遠的接口：

• Function Calling：更新多參數(shù)生成功能，可以讓一輪對話完成多項任務(wù)

• JSON Mode：讓 API 通過 JSON，而非文字，來做出回應(yīng)

• Seed：設(shè)定隨機值，提高一致性

• Assistants API & Code Interpreter：可以理解為把 ChatGPT 的 Bot，搬到了 API 里

• Retrieval：簡易化知識庫構(gòu)建

在最近 GPTs  體系上線了 GPT Store，有些媒體稱其為 OpenAI 的 App Store 時刻，但其實并不相同。在 GPT Store 里，用戶可以搜索和使用為各項任務(wù)所開發(fā)的 GPTs。

緊隨 GPT Store 上線的，還有 @GPTs 功能，也就是在任何的對話中，你都可以手動的讓某個 GPTs 接管這個對話內(nèi)容，做出更好的輸出。

值得一提的是，由于 GPT Store 沒有開放支付入口，所以目前幾乎所有的 GPTs 都是免費的。對此，OpenAI 也承諾了會給頭部開發(fā)者提供激勵：《GPTs 商店，要發(fā)錢了！?。?/strong>》。

之前和 OpenAI 的相關(guān)負責(zé)人聊過，ChatGPT 的主要定位是“開箱即用的消費級產(chǎn)品”。那這里，自然給“較為復(fù)雜的生產(chǎn)級產(chǎn)品”留下了生態(tài)空間。這里，我們也來探討下這類產(chǎn)品。

主要的 AI 玩家都會對這方面有所涉足，也各有側(cè)重。比如來傳統(tǒng)大廠自字節(jié)扣子/coze，百度的靈境矩陣，也比如來自 AI 初創(chuàng)公司的 Dify 等等。

以扣子為例，對比與 GPTs Store，主要的體感區(qū)別包括：

• 免費，至少目前是完全免費的

• 有數(shù)十個官方插件，對比與 GPTs 里只有3個

• 可以用類似低代碼的方式，構(gòu)建Workflow，并被 Bot 調(diào)用
  

• 可以將捏好的 Bot 發(fā)布到其它平臺（比如飛書，公眾號），同時支持 API

其中后兩條極為核心。

一個設(shè)計良好的 Agent 可以提供極大的生產(chǎn)力，并創(chuàng)造極高的價值。

前幾天大火的 Devin，被稱為“第一位由 AI 擔(dān)任的軟件工程師”，它可以自主的去學(xué)會如何使用不熟悉的技術(shù)，自主的生成代碼、調(diào)試bug和部署應(yīng)用。

Agent 也可以替代現(xiàn)有的很多軟件工具，去完成工作中繁瑣的任務(wù)。舉個例子，我正打算開一個專欄，叫做“乘風(fēng)破浪的少年們”，去講述和記錄那些在這次 AI 浪潮中，登上世界舞臺的中國人，用對話的形式。類似這種：《奧特曼專訪：關(guān)于 GPT-5、Sora、Ilya、Q*、AGI、外星人等等一切》。

這里對我來講的一個很大挑戰(zhàn)：我需要整理大量的文字稿，并且把它排版出來，這并不輕松，也很占時間。我希望有一個 Agent 來幫我做這件事情。

昨天下午，我和 Owen（沉浸式翻譯的作者）去參加了一個 Hackathon，現(xiàn)場有了靈感，并梳理出了這個 Agent 的思路：

• 第一步：將對話音頻文件，通過 AI（比如whisper）轉(zhuǎn)化成文字稿

• 第二步：將文字稿用 AI 轉(zhuǎn)化成 QA 問答對，以 json/csv 的方式儲存