BabyAGI란 무엇인가요?

표준 구현은 OpenAI의 GPT 모델을 API를 통해 사용하고, 메모리 용도로 벡터 데이터베이스(일반적으로 Pinecone)를 활용하며, LangChain 에이전트 프레임워크로 AI 에이전트 역할을 구성하는 Python 스크립트입니다. 벡터 데이터베이스는 컨텍스트 검색에 사용되는 임베딩 형태로 작업 결과를 기록합니다. 반면, LLM은 에이전트 추론 및 작업 논리를 구동합니다.¹

자율 AI 에이전트인 BabyAGI는 BabyAGI는 완료된 작업 결과를 활용하여 새 작업 생성에 반영하며, 작업 목록의 우선순위를 조정하고, 하위 작업을 실행하면서 지속적으로 반복합니다. 프로세스는 작업 큐가 소진되거나 중지 조건에 도달할 때까지 계속됩니다.

BabyAGI는 반복되는 세 단계 AI 워크플로를 사용합니다. 

1. 작업 실행: 실행 에이전트는 벡터 데이터베이스의 컨텍스트와 상위 목표를 지침으로 사용하여 작업을 실행합니다.
    

2. 작업 생성: 실행된 작업의 결과에 따라 작업 생성 에이전트는 원래 목표에 부합하는 후속 작업을 생성합니다. 
    

3. 작업 우선 순위 지정: 우선 순위 지정 에이전트는 종속성 및 목표와의 관련성을 기반으로 새 작업을 포함하여 모든 미해결 작업을 재정렬합니다. 

작업이 남아 있지 않거나 다른 종료 조건이 충족될 때까지 루프가 반복됩니다.

BabyAGI는 자동화된 작업 생성, 우선순위 지정 및 실행을 지원하기 위해 상호 작동하는 여러 핵심 아키텍처 모듈로 구성됩니다. 구성 요소는 다음과 같습니다.

• LLM
   

• 벡터 데이터베이스
   

• 작업 목록
   

• 작업 실행 에이전트
   

• 작업 생성 에이전트
   

• 작업 우선순위 지정 에이전트

BabyAGI의 LLM 구성 요소는 에이전트 시스템의 중앙 오케스트레이터입니다. 이 인공지능(AI) 모델은 상위 지휘자 역할을 수행하며, 사용자의 프롬프트를 수신해 자연어 처리(NLP)로 평가하여 목표를 식별합니다. 또한 작업을 생성, 실행 및 우선순위를 지정하는 에이전트를 구동합니다.

BabyAGI는 일반적으로 OpenAI의 GPT-4를 사용합니다. BabyAGI 시스템의 세 에이전트는 정확한 프롬프트 엔지니어링을 활용하여 GPT-4의 에이전트 역할 내 행동을 조정합니다.

BabyAGI의 벡터 데이터베이스 구성 요소는 완료된 작업의 기록과 결과를 저장하며 에이전트의 메모리입니다. BabyAGI는 첫 번째 작업의 결과를 사용하여 두 번째 작업 생성에 반영하고, 작업 목록을 진행하면서 이 과정을 반복합니다.

벡터 데이터베이스는 임베딩이라는 수학적 표현으로 데이터를 저장합니다. 고차원 벡터 공간에서 서로 더 가까운 데이터 포인트는 의미론적으로 더 높은 유사성을 가진 것으로 간주됩니다. BabyAGI는 시맨틱 검색을 사용하여 데이터베이스에서 관련 정보를 찾습니다.

표준 구현은 Pinecone을 사용하지만 Meta의 Facebook AI 유사성 검색(FAISS) 및 Chroma와 같은 대체 벡터 스토어가 파생되거나 분기된 버전에서 사용되기도 합니다. FAISS와 Chroma는 오픈 소스이지만 Pinecone은 여러 OpenAI 제품과 마찬가지로 폐쇄형 소프트웨어입니다.

작업 목록 또는 대기열은 상위 수준의 목표 및 초기 작업에서 비롯된 하위 작업의 우선 순위가 지정된 목록입니다. 작업 실행 에이전트가 작업을 완료하면 해당 결과가 벡터 데이터베이스에 업로드됩니다. 이전 작업의 결과에 따라 우선순위가 조정되고 새 작업이 추가되면서 작업 목록이 변경될 수 있습니다

작업 실행 에이전트는 LLM과 벡터 데이터베이스의 데이터를 사용하여 작업 목록의 작업을 실행합니다. 시맨틱 검색 기술은 데이터베이스에서 관련 정보를 찾는 데 사용됩니다. 작업이 완료되면 시스템은 새로운 임베딩을 만들고 데이터베이스에 레코드를 저장합니다.

작업 생성 에이전트는 상위 수준 목표와 이전 작업의 결과를 사용하여 워크플로에서 다음 작업을 생성합니다. 미리 정해진 워크플로를 따르기보다, 진행 중인 작업 생성 프로세스를 통해 시스템은 과거 결과를 바탕으로 반복적으로 개선하고 동적으로 학습합니다.

작업 우선순위 지정 에이전트는 작업 목록을 정기적으로 재정렬하고 구성하여 작업 관리를 처리합니다. 그 역할은 이전 작업 결과와 새 작업이 상위 수준 목표와의 관련성을 바탕으로 하위 작업의 우선순위를 지정하는 것입니다. 우선순위 지정 에이전트는 또한 작업 간의 종속성을 고려하여, 한 작업이 완료되어야 다른 작업이 실행될 수 있는 순서를 판단합니다.

BabyAGI는 Python 라이브러리이며, 사용하려면 Python 코딩 지식이 필요합니다. 단, 설정 프로세스는 비교적 간소화되었습니다.

1. Python 및 Git을 설치합니다. BabyAGI GitHub 리포지토리를 github.com에서 다운로드합니다.
    

2. BabyAGI로 디렉토리를 열고 pip install 명령어를 사용해 모든 필수 패키지를 설치합니다.
    

3. .env 파일을 만들고 .env 예제 파일을 복사해 넣습니다.
    

4. OpenAI API 키와 Pinecone API 키를 .env 파일에 추가합니다. 필요한 경우 먼저 OpenAI 계정을 생성하고 API 키를 발급받습니다.
    

5. OBJECTIVE 값을 변경하여 목표를 정의합니다. 그런 다음 초기 작업을 지정합니다.
    

6. .env 파일을 저장하고 닫습니다.
    

7. python babyagi.py 명령을 입력하여 에이전트를 실행합니다.

BabyAGI는 상용 에이전틱 AI 활용에 적합한 프로덕션급 애플리케이션이라기보다는 교육 목적의 샌드박스에 가깝습니다. 기계 학습(ML) 및 에이전트 AI 애호가들은 BabyAGI를 사용해 LLM을 통한 자율 작업 에이전트와 사고 연쇄 추론을 탐구했습니다.

BabyAGI는 LLM을 기반으로 자율 에이전트 개발을 지원하는 또 다른 오픈소스 프레임워크인 AutoGPT와 자주 비교됩니다. 두 솔루션 모두 LLM을 메모리 및 도구 활용 기능과 결합하여 다단계 목표를 자동화할 수 있도록 설계된 AI 도구입니다.

BabyAGI는 단기 및 장기 메모리를 위해 벡터 데이터베이스를 활용하며 작업 생성, 실행 및 우선순위 재조정을 반복적으로 수행하는 간결한 순환 과정을 운영합니다. 반면, AutoGPT는 목표 분해, 도구 통합, 외부 API 사용 등 다양한 기능을 제공합니다.

BabyAGI는 연구용 도구 및 샌드박스로 활용하기에 적합하며, AutoGPT는 보다 대규모의 작업 자동화에 활용됩니다.

이름에 AGI가 포함되어 있지만 BabyAGI는 인공 일반 지능(AGI)의 예는 아닙니다. AGI란 인간과 같은 수준의 사고와 추론 능력을 갖춘 가상의 AI를 의미하나 현재까지 AGI는 여전히 이론적인 개념입니다. BabyAGI를 포함한 어떤 AI 애플리케이션도 그러한 정교함에는 도달하지 못했습니다.

다른 많은 생성형 AI 응용 사례와 마찬가지로 BabyAGI는 고급 통계 모델링을 사용하여 주어진 입력에 대해 가장 가능성이 높은 결과를 예측합니다. 단, 인간처럼 이해하고, 학습하며, 사고하지는 않습니다.

2024년 Nakajima는 함수와 그에 연관된 메타데이터를 데이터베이스에 저장하는 functionz 프레임워크를 활용하는 BabyAGI 2라는 실험적 변형을 선보였습니다. 이 에이전트는 자체 빌드 시 메타데이터와 함께 함수를 로드, 실행 및 업데이트할 수 있습니다.