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

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

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。

下拉加载更多