最近有两篇非常具有启发性的论文，一篇是
Generative Agents:
Interactive Simulacra of Human Behavior
生成式智能体，模拟人类的行为。25 个智能体居住在名为 Smallville 的小镇。所有的角色都可以：与别人和环境交流；记住并回忆它们所做的和观察到的事情，他们有每天的行程安排。
另一篇是 CAMEL:
Communicative Agents for “Mind” Exploration of Large Scale Language Model Society
多智能体代码库 CAMEL，通过角色扮演框架来研究 LLM 智能体的行为和能力。当你有一个Idea，比如开发股票交易机器人，这个时候系统会帮你进行：
Role Assignment：角色的分配
你会得到2个AI智能体：
AI Assistant：一个Python 程序员作为助手
AI User：一个股票交易员
然后，系统开始自动执行任务：任务加工器会把任务具体化，通过对社交网路平台上特定股票进行情感分析，然后根据情感分析的结果进行股票交易。
两个基于 ChatGPT 的 AI 智能体开始合作完成任务。
这背后都是关于AGI的探索和研究。通用人工智能，科幻正在逐步实现。
随着大模型被更多的人所实验，潜力正在被挖掘出来，我有2个思考分享给大家：
1、 我觉得AI会全面接管任何我们所能做的工作，分两个角度，单智能体：文案、图像几乎胜任人类目前初级岗位的要求，中级和高级也会在不久被替换，更丰富的媒介形态也会随着AI的发展，所代替。
另一个角度，多智能体的角度，任何群体性的协作or工作，都可以被AI所代替，目前我们也正在这个方向开发多智能体产品，为用户创建AI员工和团队。简单来说，mixlab无界社区，会形成群体智能，人类和AI的混合组织。
2、 我们如何应对？在观念上我们需要转变，尤其是在教育理念上进行升级，以往我们是填鸭式，需要转变为开放式教学，需要站在未来办学，培养更多与AI协作的超级个体。个体的学习能力会越来越重要，终身学习/刻意练习是我们所倡导的策略。
我们结合mattprd.com的一篇指南（the-complete-beginners-guide-to-autonomous-agents），梳理下，在生成式智能体上，有什么新的机会点。
Generative Agents
生成式智能体
大模型可以模拟人类的行为，它们能产生可信的个人和突发群体行为的模拟，具体包括：
- 能够对自己、其他智能体和环境进行推理；
- 能够创建日常计划，执行这些计划，做出反应，并重新计划；
- 能够接收用户的自然语言命令，并作出回应。
人工智能可以用来完成非常具体的任务，比如推荐内容、写文章、回答问题，甚至生成写实照片。有很多应用把AI当成了执行任务的工具，但其实，AI已经可以成为你的伙伴，你的队友。
那么，如何让AI成为你的队友？你可以为其设定目标，比如设定目标：“创造世界上最好的冰淇淋”，人工智能会提出一个待办事项列表，执行待办事项，并添加新的待办事项，然后继续这个过程，直到达到目标。
这就是最新的AI应用之一：Autonomous Agents 。也称为Generative Agents，生成式智能体。
基于大模型的生成式智能体，Agents 可用于自动化任何过程。当给定目标时，它们能够为自己创建任务、完成任务、创建新任务、重新排列任务列表的优先级、完成新的首要任务，并循环直到达到目标。
一旦这些Agents 变得高度复杂和可靠，就很容易想象跨领域和行业的自动化呈指数级增长。
有许多开源项目都在实现这种智能体的路上，比如AutoGPT、BabyAGI 和 Microsoft 的 Jarvis，我们最近也在制作Mix的智能体。
制作智能体的开发者越来越多，而这个增长趋势是有史以来最高的，“智能体将无处不在。数十亿美元的公司将来自一个部署智能体的小团队。”
GitHub上的开源项目的增长情况就是最好的证明。
这是 AGI的雏形。只需将一个 LLM 包在一个循环中，就可以实现一个可以推理、计划、思考、记忆、学习的智能体——所有这些都是靠AI自己完成的。有趣的是，整个概念刚诞生不到一个月的时间……
智能体有哪些能力？
访问互联网和使用应用程序
长期和短期记忆
控制你的电脑
使用信用卡或其他付款方式
访问 GPT 等大型语言模型 (LLM) 进行分析、总结、意见和答案。
是不是很像RPA，机器人流程自动化。我们人类总是有很多类似的想法和概念，本质上都在通用人工智能的道路上。
在几个月前，我们已经有了基本的判断，利用AI，任何人都有了一个豪华的视觉团队和才华横溢的文案团队。超级个体将越来越多，而Mixlab将加入这一大模型的创新大潮里，为超级个体寻找1000名铁杆粉丝。
一个关于智能体如何工作的简单示例：
假设有一个智能体可以帮助研究我们想要了解的某个主题的最新消息，比如说“关于 Twitter 的新闻”
我们告诉智能体“你的目标是找出有关 Twitter 的最新消息，然后向我发送摘要”。
智能体查看目标，使用 GPT-4 等人工智能，使其能够理解正在阅读的内容，并提出第一个任务。“任务：在谷歌上搜索与 Twitter 相关的新闻”。
然后智能体在谷歌上搜索 Twitter 新闻，找到热门文章，并返回一个链接列表。第一个任务完成。
现在智能体回顾它的主要目标（找到关于 Twitter 的最新消息，然后发送摘要）和它刚刚完成的事情（得到一堆关于 Twitter 的新闻链接）并决定它的下一个任务需要是什么.
它提出了两个新任务。1）写新闻摘要。2) 阅读通过谷歌找到的新闻链接的内容。
现在智能体在继续之前停止了一秒钟，它需要确保这些任务的顺序正确。真的应该先写摘要吗？不，它决定了最优先阅读通过google找到的新闻链接的内容。
智能体从文章中读取内容，然后再次返回待办事项列表。它想添加一个新任务来总结内容，但该任务已经在待办事项列表中，所以它没有添加它。
智能体检查待办事项列表，唯一剩下的项目是总结它阅读的内容，所以它这样做了。它会按照您的要求向您发送摘要。
这是新范式的开始。目前，它并不完美，还没有风靡全球，但这个概念的威力惊人，随着开源社区的大量试验，它很快就会融入我们的日常生活。很快，就会有非常多的智能体可以帮你从事日常工作。
值得一条条阅读的use case
那么，智能体这个方向有什么机会呢？
你亲自创建智能体并让他们可供其他人雇用。
你雇佣了智能体，提高个人生活或业务的工作效率。
新的范式将来临，一人企业、超级个体时代的到来。一个人建立了一家公司，其团队中只有智能体。一个人的团队做到这一点并达到超过 10 亿美元的市值。
智能体的通用框架：
初始化目标：定义 AI 的目标。
任务创建：人工智能检查它的内存以查找最近完成的 X 个任务（如果有的话），然后使用它的目标和它最近完成的任务的上下文来生成新任务列表。
任务执行：AI 自主执行任务。
内存存储：任务和执行结果存储在向量数据库中。
反馈收集：AI 以外部数据或 AI 内部对话的形式收集对已完成任务的反馈。此反馈将用于通知自适应过程循环的下一次迭代。
新任务生成：人工智能根据收集到的反馈和内部对话生成新任务。
任务优先级：人工智能通过审查其目标并查看最后完成的任务来重新确定任务列表的优先级。
任务选择：AI 从优先列表中选择最靠前的任务，然后按照步骤 3 中的描述继续执行它们。
迭代：AI 在连续循环中重复步骤 4 到 8，允许系统根据新信息、反馈和不断变化的需求进行调整和发展。
试试把这个框架应用到你所熟悉的领域？你将会发现，使用AI来升级改造你所熟悉的事情，将会产生很多新的机会和创造新的价值。
在接下来的 2-5 年内，大多数人将为智能体而不是人类工作。
在这个未来，每个人都可能会以某种身份使用智能体，无论是为了个人生产力、业务运营还是创造性的努力。
人们将充当这些 AI 的“老师”，设定他们的目标并推动他们前进。
我们也将“为人工智能而工作”，就像我们创造了各种各样的工具，而这些工具影响了我们的生活和思维。
然而，AI 在许多情况下会比当今社会上的公司和系统做得更好，并且会创造让所有人受益的机会。
和AI沟通的效率更高，如果你带领过团队，应该清楚，给手下布置任务是一件头疼而费劲的事情，给AI布置任务，效率会更高。
与AI协作，不用担心考验人性的问题产生，比如发生利益冲突之类的。
如果你想在智能体这一波浪潮中找到自己的全新定位，欢迎加入我们的社群一起探索。
