可「自主进化」的Agent？首个端到端智能体符号化训练框架开源了
内容提要
波形智能研究人员开发了Agent Symbolic Learning框架，用于训练和优化大模型智能体。该框架通过符号化训练实现了智能体参数的端到端优化，并在多个任务上取得了明显的提升。该框架还支持优化智能体的工作流。已在波形智能产品和应用中使用，并已开源代码。
延伸解读
从专家驱动到数据驱动：智能体开发范式的转变
当前AI智能体的创建和调优严重依赖人类专家设计提示词、工具和工作流，这种“专家中心”模式费时费力，且无法利用海量数据自动学习。波形智能的研究团队提出，智能体应从“专家中心”转向“数据中心”，借鉴神经网络的成功经验，通过端到端的符号化训练，让智能体能够像神经网络一样从数据中自动优化，从而突破现有瓶颈。
符号化训练：用文本模拟反向传播与梯度下降
该框架将智能体视为一个符号化神经网络，其中工作流节点对应网络层，提示词和工具对应权重。通过大模型和提示词工程，框架生成了文本形式的损失和梯度，模拟了反向传播和梯度下降过程。这种创新方法使得智能体能够端到端地优化提示词、工具调用以及工作流结构，实现了对智能体参数的自动更新。
性能提升与自主进化：实验验证与产品应用
在多个基准测试中，Agent Symbolic Learning框架显著优于传统智能体框架和DSpy，甚至使用GPT-3.5也能达到其他框架使用GPT-4的表现。该框架还支持智能体在部署后通过环境交互持续收集数据并自主进化，实现自我迭代。目前，该框架已在波形智能的产品中应用，并开源代码，推动数据中心智能体的发展。
Q&A
Agent Symbolic Learning框架的主要功能是什么？
该框架用于训练和优化大模型智能体，通过符号化训练实现智能体参数的端到端优化。
Agent Symbolic Learning框架如何实现智能体的自主进化？
框架允许智能体在环境中探索和与人类交互，收集新样本并定期更新自身的prompts、tools和workflow。
该框架与传统智能体框架相比有哪些优势？
在多个基准测试中，Agent Symbolic Learning框架在任务表现上显著优于传统智能体框架，能够更高效地利用数据进行学习。
Agent Symbolic Learning框架是如何进行参数优化的？
框架通过文本形式的损失和梯度来优化智能体的参数，模拟传统神经网络的反向传播和梯度下降。
该框架的开源代码在哪里可以找到？
框架的开源代码可以在GitHub上找到，链接为https://github.com/aiwaves-cn/agents。
Agent Symbolic Learning框架的应用场景有哪些？
框架可用于开发者创建和调优智能体系统，以及支持智能体在环境中自主进化和更新。
