Apa itu BabyAGI?

Implementasi standar adalah skrip Python yang menggunakan model GPT dari OpenAI melalui sebuah API, basis data vektor (biasanya Pinecone) untuk memori, dan kerangka kerja agen LangChain untuk menyusun peran agen AI. Basis data vektor mencatat hasil tugas sebagai penanaman yang digunakan untuk pengambilan konteks, sementara LLM memberdayakan penalaran agen dan logika tugas.¹

Sebagai agen AI otonom, BabyAGI terus melakukan pengulangan menggunakan hasil tugas yang diselesaikan untuk menginformasikan tugas baru, memprioritaskan ulang daftar tugas, dan menjalankan subtugas. Proses berlanjut hingga antrean tugas habis atau kondisi penghentian tercapai.

BabyAGI menggunakan alur kerja AI tiga tahap yang berulang: 

1. Eksekusi tugas: Agen eksekusi menjalankan tugas dengan menggunakan konteks dari basis data vektor dan tujuan tingkat tinggi sebagai panduan.
    

2. Pembuatan tugas: Berdasarkan hasil dari tugas yang dieksekusi, agen pembuat tugas membuat tugas tindak lanjut yang selaras dengan tujuan awal. 
    

3. Pemrioritasan tugas: Agen pemrioritasan menyusun ulang semua tugas yang belum diselesaikan, termasuk tugas baru, berdasarkan ketergantungan dan relevansinya dengan tujuan. 

Siklus ini terus diulang sampai tidak ada lagi tugas yang tersisa atau kondisi akhir lainnya terpenuhi.

BabyAGI terdiri dari beberapa modul arsitektur inti yang bekerja bersama untuk memfasilitasi pembuatan, pemrioritasan, dan eksekusi tugas secara otomatis. Komponen ini meliputi:

• LLM
   

• Basis data vektor
   

• Daftar tugas
   

• Agen eksekusi tugas
   

• Agen pembuat tugas
   

• Agen pemrioritasan tugas

Komponen LLM BabyAGI adalah pengatur pusat dari sistem agen. Model kecerdasan buatan (AI) ini bertindak sebagai pengarah tingkat tinggi, menerima prompt pengguna dan menilainya dengan pemrosesan bahasa alami (NLP) untuk mengidentifikasi tujuan. Model ini juga memberdayakan agen yang membuat, mengeksekusi, dan memprioritaskan tugas.

BabyAGI biasanya menggunakan GPT-4 dari OpenAI. Tiga agen dalam sistem BabyAGI menggunakan rekayasa prompt yang tepat untuk memandu perilaku GPT-4 dalam peran agennya.

Komponen basis data vektor BabyAGI menyimpan catatan dan hasil tugas yang diselesaikan dan merupakan memori agen. BabyAGI dapat menggunakan hasil dari tugas pertama untuk menginformasikan tugas kedua dan mengulangi proses ini saat melanjutkan tugas di daftar tugas.

Basis data vektor menyimpan data sebagai representasi matematika yang disebut penanaman. Titik data yang lebih berdekatan satu sama lain dalam ruang vektor berdimensi tinggi dianggap lebih mirip secara semantik. BabyAGI menggunakan pencarian semantik untuk menemukan informasi yang relevan dalam basis data.

Implementasi kanonik menggunakan Pinecone, tetapi penyimpanan vektor alternatif seperti Pencarian Kesamaan AI Facebook (FAISS) dari Meta dan Chroma terkadang digunakan dalam varian atau cabang. FAISS dan Chroma adalah pustaka sumber terbuka, namun tidak demikian dengan Pinecone, seperti banyak produk OpenAI.

Daftar tugas atau antrean adalah daftar subtugas yang diprioritaskan yang berasal dari tujuan tingkat tinggi dan tugas awal. Saat agen eksekusi tugas menyelesaikan tugas, hasilnya diunggah ke basis data vektor. Berdasarkan hasil tugas tersebut, daftar tugas dapat berubah saat prioritas disesuaikan dan tugas baru ditambahkan.

Agen eksekusi tugas menggunakan LLM dan data dalam basis data vektor untuk menjalankan tugas dalam daftar tugas. Teknik pencarian semantik digunakan untuk menemukan informasi yang relevan dalam basis data. Setelah tugas selesai, sistem membuat penanaman baru dan menyimpan catatan dalam basis data.

Agen pembuat tugas menggunakan tujuan tingkat tinggi dan hasil tugas sebelumnya untuk membuat tugas berikutnya dalam alur kerja. Alih-alih bekerja melalui alur kerja yang telah ditentukan sebelumnya, proses pembuatan tugas berkelanjutan memungkinkan sistem untuk mengulangi hasil sebelumnya dan belajar secara dinamis.

Agen pemrioritasan tugas menangani manajemen tugas dengan mengatur ulang dan mengatur daftar tugas secara teratur. Tugasnya adalah memprioritaskan subtugas berdasarkan hasil dari tugas sebelumnya dan bagaimana tugas baru berhubungan dengan tujuan tingkat tinggi. Agen prioritas juga mempertimbangkan dependensi antara tugas: apakah satu tugas harus diselesaikan sebelum tugas lainnya dapat diselesaikan.

BabyAGI adalah pustaka Python dan penggunaannya memerlukan pengetahuan pengodean Python. Namun, proses penyiapannya relatif sederhana:

1. Instal Python dan Git. Unduh repositori GitHub BabyAGI dari github.com.
    

2. Buka direktori dengan BabyAGI dan instal semua dependensi menggunakan perintah pip install.
    

3. Buat file .env dan salin file contoh .env di sana.
    

4. Tambahkan kunci API OpenAI dan kunci API Pinecone ke file .env . Jika diperlukan, buat akun OpenAI dahulu dan dapatkan kunci API.
    

5. Tentukan tujuan dengan mengubah nilai OBJECTIVE. Kemudian, berikan tugas awal.
    

6. Simpan dan tutup file .env .
    

7. Masukkan perintah python babyagi.py untuk menjalankan agen.

BabyAGI lebih merupakan lingkungan sandbox edukatif daripada aplikasi tingkat produksi yang siap untuk penggunaan umum AI agen. Penggemar machine learning (ML) dan AI agen telah menggunakan BabyAGI untuk menjelajahi agen tugas otonom dan penalaran rantai pemikiran dengan LLM.

BabyAGI sering dibandingkan dengan AutoGPT, kerangka kerja sumber terbuka lain untuk agen otonom yang dibangun di atas LLM. Keduanya adalah alat AI yang dirancang untuk mengotomatiskan tujuan dengan banyak langkah melalui penggabungan LLM dengan memori dan penggunaan alat.

BabyAGI menjalankan siklus ringkas yang membuat, mengeksekusi, dan memprioritaskan ulang tugas dengan basis data vektor untuk memori jangka pendek dan jangka panjang. AutoGPT menyediakan kerangka kerja dengan fitur lengkap untuk menguraikan tujuan, integrasi alat, dan penggunaan API eksternal.

Meskipun BabyAGI paling baik digunakan sebagai alat penelitian dan sandbox, AutoGPT dapat mengotomatiskan tugas berskala lebih besar.

Terlepas dari namanya, BabyAGI bukanlah contoh kecerdasan umum buatan (AGI). AGI adalah AI hipotetis yang memiliki kemampuan berpikir dan penalaran tingkat manusia. Sampai saat ini, AGI masih merupakan konsep teoretis. Tidak ada aplikasi AI, termasuk BabyAGI, yang telah mencapai tingkat kecanggihan seperti itu.

Seperti banyak contoh aplikasi AI generatif lainnya, BabyAGI menggunakan pemodelan statistik lanjutan untuk memprediksi hasil yang paling mungkin untuk input yang diberikan. Ia tidak memahami, belajar, dan berpikir seperti yang dilakukan manusia.

Pada tahun 2024, Nakajima memperkenalkan BabyAGI 2, varian eksperimental yang menggunakan kerangka kerja functionz yang menyimpan fungsi dan metadata terkait dalam basis data. Agen dapat memuat, menjalankan, dan memperbarui fungsi dengan metadata saat ia membangun dirinya.