夕小瑤科技說 原創
 作者 | iven

火遍全網的AutoGPT^[1]在Github收藏量突破十萬。這種自我規劃、自我執行的智能體首次關注人工智能模型內部的自我調整與優化。

但是有不少網友發現，AutoGPT的表現不穩定，死循環是最常見的現象。此外，AutoGPT執行速度很慢，據網友測試，New Bing需要8s的任務，AutoGPT用了整整8分鐘！

AutoGPT的工作方式使得它對與單個任務要調用很多次API，據計算單次任務的成本就超過了100元！顯然這樣的花費對于個人使用是昂貴的。

微軟研究院近日新工作提出Low-code LLM，通過簡單的可視化操作通過拖拖拽拽的方式與智能體進行協作。

該模式首先讓GPT生成一個任務流程圖，這點與AutoGPT的自我規劃自我執行的邏輯很為相像，但不同的是，用戶可以直觀地輕松地了解和修改整個執行流程，從而有效控制人工智能的操作。

之所以稱為“Low-code”，是因為它采用了可視化編程的概念，用戶只需通過簡單的點擊和拖拽就可以對流程進行調整。對于復雜的任務，用戶可以將自己的想法或偏好有效地對智能體進行控制。

Low-code LLM生成流程圖是在一次對話中完成的，調用API的花費基本可以忽略不計，而且這樣一次性生成流程圖的方式也避免了AutoGPT中死循環的問題，使得服務更加穩定！

作者發現這項工作放在微軟TaskMatrix.ai^[2]的Repo里，已經超過30k star。Visual ChatGPT^[3]也來自同一團隊。TaskMatrix.AI展現了如何連接foundation models和大量的各領域的api實現Task Automation（Visual ChatGPT就是其在視覺領域的一個經典范例）。最新推出的Low-code LLM則可以在與用戶交互方面發揮作用，幫助用戶讓AI更理解用戶到底想做什么。

論文地址：

開源代碼：https://github.com/microsoft/TaskMatrix/tree/main/LowCodeLLM

工作流程

1. Planning LLM對復雜的任務生成一個結構化的流程圖，這點有點類似AutoGPT通過用戶給出的目標進行自我規劃的思路
2. 用戶通過定義好的低代碼可視化操作修改流程圖（包括點擊、拖拽、文本編輯），將自身的偏好、觀點傳達給LLM
3. Executing LLM按照用戶修改好的工作流程執行命令，生成回答
4. 用戶可以參考當前的回答不斷修改流程圖，直到獲得滿意的結果

預定義的6類low code操作

該模式的優點如下：

1. 更可控的生成結果：用戶可以直接了解并控制人工智能的執行邏輯，使結果更容易被預測和控制，更符合用戶的需求；
2. 用戶友好的交互界面：用戶可以直觀地看到執行流程，點擊和拖拽方式也使得操作更加便捷，提高了工作效率；
3. 廣泛的應用場景：該方法可以應用于許多領域，特別是那些用戶的想法和偏好至關重要的場景，文中提出了4種典型案例。

此外，Low-code LLM還可以與外部API擴展，進一步豐富場景應用。例如，高效傳達用戶想法和偏好，幫助用戶實現任務自動化。在對接其他工具時，可以將視覺和語音等多種功能整合進來。

AutoGPT和Low-code LLM都在努力提升人工智能模型的性能和效果，前者關注模型內部的自我優化和學習，后者關注用戶與模型之間的協同和交互。這兩種方法可以相互補充，在不同場景和任務下取得更好的表現。

論文的致謝部分，還提到了這篇文章部分就是通過這種模式進行合作生成的，看來未來人和大模型緊密合作共創不再是夢。