CodeAct: 用可执行代码行动提升大语言模型智能体能力

RayRay
CodeActCodeActAgentLLMPythonKubernetesGithub开源项目

CodeAct:用可执行代码行动提升大语言模型智能体能力

在人工智能快速发展的今天,大语言模型(LLM)智能体展现出了令人瞩目的潜力,能够执行广泛的任务,如调用工具、控制机器人等。然而,传统的LLM智能体在行动空间上往往受到限制,难以应对复杂多变的现实世界挑战。近期,来自多所知名大学的研究人员提出了一种创新的方法——CodeAct,旨在通过可执行代码行动来提升LLM智能体的能力。本文将深入探讨CodeAct的核心理念、技术实现以及其在实际应用中的优势。

CodeAct的核心理念

CodeAct的核心思想是使用可执行的Python代码来整合LLM智能体的行动到一个统一的行动空间中。与传统方法不同,CodeAct不再局限于预定义的工具集或固定格式的输出,而是赋予智能体更大的灵活性和创造力。

CodeAct概览

如上图所示,CodeAct智能体能够生成Python代码作为其行动,这些代码可以被实时执行,执行结果会作为新的观察反馈给智能体。这种方式使得智能体可以根据执行结果动态修改先前的行动或生成新的行动,实现了多轮交互的能力。

CodeAct的技术实现

CodeAct的实现依赖于以下几个关键组件:

  1. LLM服务:使用vLLM或其他兼容OpenAI API的服务来部署大语言模型。

  2. 交互接口:可以选择使用Chat-UI配合MongoDB进行聊天界面和历史记录管理,或者使用简单的Python脚本进行交互。

  3. 代码执行引擎:基于JupyterKernelGateway实现的容器化代码执行服务,为每个聊天会话启动独立的Docker容器来执行代码。

研究团队还开发了CodeActAgent,这是一个基于CodeAct理念训练的模型。CodeActAgent有两个版本:

  • CodeActAgent-Mistral-7b-v0.1:基于Mistral-7b-v0.1模型,具有32k上下文窗口。
  • CodeActAgent-Llama-7b:基于Llama-2-7b模型,具有4k上下文窗口。

CodeAct的优势

研究团队对17个LLM在API-Bank和新开发的M3ToolEval基准上进行了广泛分析,结果显示CodeAct相比传统的文本和JSON方法具有显著优势:

  1. 更高的成功率:在某些任务中,CodeAct的成功率比传统方法高出多达20%。

  2. 灵活性:CodeAct不受预定义工具的限制,能够动态组合和创建新的功能。

  3. 可解释性:生成的Python代码提供了清晰的行动轨迹,便于理解和调试。

  4. 自我调试能力:CodeActAgent能够自主识别和修正错误,提高了任务完成的稳定性。

CodeAct性能对比

CodeActInstruct数据集

为了训练CodeActAgent,研究团队收集了CodeActInstruct数据集,包含7000多个使用CodeAct的多轮交互样本。这个数据集不仅用于模型训练,也为研究人员提供了宝贵的学习资源。

数据集统计

CodeActAgent的应用

CodeActAgent展现出了优秀的跨域任务处理能力,同时保持了在通用对话和知识问答方面的高水平表现。它的一些关键特性包括:

  1. 与Python解释器的深度集成
  2. 使用现有库执行复杂任务(如模型训练)的能力
  3. 自主调试能力

模型性能

部署和使用CodeActAgent

研究团队提供了详细的部署指南,包括如何使用Docker或Kubernetes设置完整的CodeActAgent系统。用户可以选择通过简单的Python脚本或更高级的Chat-UI界面与CodeActAgent交互。

对于希望在本地笔记本电脑上运行CodeActAgent的用户,研究团队还提供了使用llama.cpp的轻量级解决方案。

结论与未来展望

CodeAct为LLM智能体的发展开辟了新的方向。通过将可执行代码作为行动空间,CodeAct大大提升了智能体的能力边界和灵活性。未来,我们可以期待看到更多基于CodeAct理念的应用,以及在更广泛的任务和领域中的实践。

CodeAct的开源性质也为整个AI社区提供了宝贵的资源。研究人员和开发者可以基于CodeAct的代码库进行二次开发,推动LLM智能体技术的进一步发展。

随着技术的不断进步,我们可以预见CodeAct将在智能助手、自动化工具链、教育辅助系统等多个领域发挥重要作用,为人工智能的实际应用带来新的可能性。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多