• 记住:AI 只是解决问题的工具!
  • 发布于 1周前
  • 36 热度
    0 评论
  • Spring
  • 0 粉丝 39 篇博客
  •   
现在 AI 智能体(AI Agent)的概念很火,似乎 Agent 是用 AI 解决问题的银弹,有了 Agent 就可以解决很多问题。但也有很多人有不同意见,认为 Agent 不过是噱头,并没有看到靠谱的应用场景。一个被提及很多的是吴恩达老师写的多 Agent 翻译的例子,简单来说就是用三个 Agent:一个直译 Agent、一个审查 Agent、一个意译润色 Agent,确实可以大幅提升翻译质量。

但并非一定要三个 Agent 才能提升翻译质量,我以前也提出过基于 Prompt 的翻译方法,让 LLM 在翻译时,使用直译 + 反思 + 意译三个步骤输出,也可以得到高质量的翻译结果。本质上,使用 LLM 来解决问题,思维链(COT, Chain of Thought)是一种有效提升生成质量的方法,也就是说,之所以翻译质量能提升,不是因为有了 Agent,而是因为有了思维链。至于思维链的每个环节是用一个独立的 Agent,还是输出的一个步骤,并没有太本质的差别。

其实大部分 AI 应用场景都类似:要用 AI 解决问题,核心不在于 Agent,而在于设计出一个适合 AI 的工作流。那么怎么才能设计一个适合 AI 的工作流呢?我认为有几个因素需要考虑:

一、不要将 AI 的解决方案局限在人类现有的解决方案上
有时候我们过于将 AI 拟人化,会不自觉的用人类解决问题的方式来套用在 AI 上,有时候确实有效,但很多时候并不一定是最优解。就像专业的翻译员,他们并不需要直译反思意译三个步骤,他们可以一步到位,直接输出高质量的翻译结果,所以最开始让 AI 翻译,Prompt 都是直接一步输出翻译结果,而不是分步骤输出,结果翻译出来的比较生硬。

而当我们发现思维链是 LLM 的一种有效提升方法后,就可以设计出更适合 AI 的工作流,分成几步来解决问题。

包括我看到一些 Agent 项目,尝试模拟人类软件开发的分工,使用项目经理、产品经理、架构师、程序员、测试等等 Agent 角色去尝试解决复杂的软件项目,同样也是一个过于拟人化而不一定适合 AI 解决问题的思路,所以也只能出现在论文中,而无法在实际项目中落地。相反像 GitHub Copilot 这样辅助生成代码的工具倒是真正适合当前 AI 编程的工作流,能实实在在提升开发效率。

二、不必完全依赖 AI 做决策,而是让 AI 辅助做决策或者做简单的决策
去年有一个超级火爆的项目叫 AutoGPT,就是你输入一个任务,GPT-4 会将任务分解,制定计划,调用外部工具,比如 Google 搜索,甚至执行代码,最终完成任务。这也算是 AI Agent 的先驱项目之一,但现在已经很少有人提及了,因为以现在 AI 的智能程度,还不足以对开放性的任务做出靠谱的决策,最终除了帮 OpenAI 卖了大量的 Token 外,并没有解决什么实际问题。

所以现在 AI 应用的主流是把 AI 当 “副驾驶(Copilot)”,只是让 AI 辅助人类完成任务,主要还是人在做决策。另外就是自己设计工作流,让 AI 在工作流中完成一部分工作,并不过于依赖 AI 做决策,或者只需要做简单的决策。比如说商家借助 AI 处理差评的工作流:
1.程序抓取评论信息
2.AI 分析每一条评论的情感,筛选出差评
3.AI 生成回复(可能需要人工审核)

这是一个典型的设计好流程的适合 AI 的工作流,AI 只需要做简单的情感分析和回复生成,而不需要做复杂的决策,这样的工作流可以很好的提升效率,并且结果也相对靠谱。

三、结合不同领域的 AI 模型或者工具,设计合适的工作流
去年起 AI 大热,一个很重要的原因是 LLM 的出现,这些模型一方面确实能力强大,有一定的通用性,有简单的推理能力,另一方面使用也简单,无论是通过聊天机器人,还是通过 API 调用,都能很方便的使用。即使像我这样不是 AI 专业的人,也能很容易的使用这些模型。而在以前,AI 相对来说是个高门槛的领域,需要筛选数据、需要训练,还需要调参,对于非专业人士来说是很难使用的。

但这也导致一个问题,就是很多解决方案过于依赖 LLM,而不知道或者不会使用其他领域的 AI 模型,但当你能够根据任务,将不同领域的 AI 模型或者工具结合起来,设计出合适的工作流,就能够得到更好的解决方案。

四、回归问题本质,AI 只是解决问题的工具
上面提的几点都是容易犯的一些错误,之所以容易犯这些错误,恰恰是因为我们有时候过于关注一些流行的概念或技术,而忽略了要解决的根本问题是什么,将 AI 变成了目的而不是手段。如果你有了解马斯克的第一性原理思维,其强调的就是回归事物最基本的条件,把其解构成各种要素进行分析,从而找到实现目标最优路径的方法。

而运用第一性原理通常有三个步骤:
1.定义清楚你要解决的根本问题
2.拆解问题
3.从头开始创建解决方案

而这个思路也适用于我们去借助 AI 解决问题,设计出适合 AI 的工作流。举两个设计合适 AI 工作流解决问题的例子,一个例子是 PDF 转 Markdown。做过 PDF 翻译的都知道,要得到好的翻译结果,将 PDF 的内容整理成 Markdown,再让大语言翻译,效果是相当好的。但这个不好做,因为 PDF 是用来打印的格式,并不是结构化的数据,很难直接提取成 Markdown,再加上各种图表、表格等,更是复杂。

最近看到一个项目叫 PDFGPT,它就做的很巧秒,本质上是基于 GPT-4o 和 PyMuPDF 设计了一个工作流:
1.用一个 PDF 操作库 PyMuPDF 检测 PDF 中的图片、图表、表格等,提取成图片并保存
2.每一页 PDF 生成一张图片,将图片、图表、表格等位置用红框标记出来,并附上对应的图片名称
3.借助 GPT-4o 的视觉能力,解析标注后的图片,生成对应的 Markdown

如果你纯粹依赖 LLM,恐怕无法完成这样的任务,一方面受限于上下文窗口的长度限制,一次无法处理多页 PDF,另一方面对于图片、图表、表格等内容无法嵌入 Markdown 中。如果结合 PyMuPDF 这样的库和一个简单的工作流,就可以方便的实现 PDF 转 Markdown,生成的结果也挺不错。

另一个例子是漫画的翻译,有很多那种气泡文字的漫画,如果要翻译成其他语言,就需要将气泡文字提取出来,翻译后再放回去。漫画翻译的难点在于:
1.因为漫画的气泡文字位置不固定,有时候还会有重叠,不好提取;
2.翻译的时候,如果只是把提取出来的文字按字面翻译,但不知道当前画面的内容,翻译的结果可能会不通顺;
3.翻译后要对图片进行处理,抹掉原来的文字,将翻译后的文字放回到原来的位置。

如果人工做会怎么做?可能是读懂漫画,翻译,然后用 Photoshop 这个样的工具抹掉原来的文字,再放上翻译后的文字。可以想象这样的工作量还是不小的。有一个开源项目 comic-translate,就做的很好,它也是设计了一个适合漫画翻译的工作流:
1.用一个专业模型做气泡检测,找出文字气泡的位置

2.用 OCR 做气泡内文字的提取
3.用一个专业模型移除气泡内的文字

4.借助 GPT-4o 的视觉能力,根据漫画内容,翻译气泡内的文字
5.用程序将翻译后的文字绘制到原来的气泡位置

如果不考虑翻译质量的话,这几乎是一个全自动的工作流,效率相当高,成本也很低,最贵的部分是 GPT-4o 的 API,一页也才 $0.02 左右。就算加上人工审核对翻译结果和图片生成结果的处理,也是能比以前的人工翻译效率高很多。

从上面的例子可以看出,真正要用好 AI,让 AI 发挥最大效能,核心是还是要基于你要解决的问题,重新设计一个适合 AI 的工作流,让 AI 在工作流中完成它最擅长的工作,至于是不是 Agent,是不是 LLM,是不是 AI 帮你决策,都不是最重要的。
用户评论