От языка к действию: как устроены агентные ИИ‑системы

· 11 ч

LLM умеет рассуждать и генерировать ответы, но что делать, если системе нужно самостоятельно выполнять задачи, взаимодействовать с внешними сервисами и проверять результаты своих действий? Здесь начинается территория ИИ‑агентов, где появляются новые архитектурные решения и сложности.

Заголовок оригинала: От языка к действию: как устроены агентные ИИ‑системы

Читать первоисточник: Хабр

Перевод и краткое изложение — машинные, по материалам источника. Полный текст статьи не републикуется; права на него принадлежат источнику.

Рядом по теме

МоделированиеСША и Запад2 дн

LLM-Augmented Agent-Based Simulation of Cyber Social Agents

arXiv:2610.32988v1 Announce Type: new Abstract: Social media bots are often portrayed as malicious automations to be detected and removed, but automation on social media platforms encompasses a wide spectrum of roles, behaviors, and rhetorical strategies that can shape online discourse in both…

arXiv — Multiagent Systems (cs.MA) ↗

МоделированиеСША и Запад2 дн

Байесовский вывод для агентных моделей при 90% экономии симуляций

Предложен метод DF-NPE: обученные сводки временных рядов и два условных нормализующих потока — для генерации синтетических обучающих пар и для оценки апостериорного распределения. Подход дополняет прямые симуляции синтетикой и поддерживает объединённую и упорядоченную стратегии обучения. На двух конфигурациях модели ценообразования активов Брока—Хоммса прямых симуляций стало на 90% меньше при меньшем расхождении апостериорных оценок и меньшем времени работы.

ЦД.ПрогнозarXiv — Multiagent Systems (cs.MA) ↗

МоделированиеСША и Запад2 дн

Адаптация нейросетевых оценщиков апостериорного распределения для агентных моделей

Агентные модели в экономике и социальных науках описывают неоднородное поведение и взаимодействия через симуляции, а их функция правдоподобия часто недоступна для оценки параметров. Работа рассматривает нейросетевой вывод без правдоподобия, в частности оценку апостериорного распределения нормализующими потоками, дающую амортизированный байесовский вывод. Отмечается, что предобученный оценщик может терять точность при смене целевой задачи, и обсуждается адаптация таких оценщиков.

ЦД.ПрогнозarXiv — Multiagent Systems (cs.MA) ↗