微软研究院近日新工作提出Low-code LLM，通过简单的可视化操作通过拖拖拽拽的方式与智能体进行协作。

夕小瑶科技说 原创作者 | iven

火遍全网的AutoGPT[1]在Github收藏量突破十万。这种自我规划、自我执行的智能体首次关注人工智能模型内部的自我调整与优化。

(资料图)

但是有不少网友发现，AutoGPT的表现不稳定，死循环是最常见的现象。此外，AutoGPT执行速度很慢，据网友测试，New Bing需要8s的任务，AutoGPT用了整整8分钟！

AutoGPT的工作方式使得它对与单个任务要调用很多次API，据计算单次任务的成本就超过了100元！显然这样的花费对于个人使用是昂贵的。

微软研究院近日新工作提出Low-code LLM，通过简单的可视化操作通过拖拖拽拽的方式与智能体进行协作。

该模式首先让GPT生成一个任务流程图，这点与AutoGPT的自我规划自我执行的逻辑很为相像，但不同的是，用户可以直观地轻松地了解和修改整个执行流程，从而有效控制人工智能的操作。

之所以称为“Low-code”，是因为它采用了可视化编程的概念，用户只需通过简单的点击和拖拽就可以对流程进行调整。对于复杂的任务，用户可以将自己的想法或偏好有效地对智能体进行控制。

Low-code LLM生成流程图是在一次对话中完成的，调用API的花费基本可以忽略不计，而且这样一次性生成流程图的方式也避免了AutoGPT中死循环的问题，使得服务更加稳定！

作者发现这项工作放在微软TaskMatrix.ai[2]的Repo里，已经超过30k star。Visual ChatGPT[3]也来自同一团队。TaskMatrix.AI展现了如何连接foundation models和大量的各领域的api实现Task Automation（Visual ChatGPT就是其在视觉领域的一个经典范例）。最新推出的Low-code LLM则可以在与用户交互方面发挥作用，帮助用户让AI更理解用户到底想做什么。

论文地址：https://arxiv.org/abs/2304.08103

论文题目：“Low-code LLM: Visual Programming over LLMs.”

开源代码：https://github.com/microsoft/TaskMatrix/tree/main/LowCodeLLM

工作流程

Planning LLM对复杂的任务生成一个结构化的流程图，这点有点类似AutoGPT通过用户给出的目标进行自我规划的思路用户通过定义好的低代码可视化操作修改流程图（包括点击、拖拽、文本编辑），将自身的偏好、观点传达给LLMExecuting LLM按照用户修改好的工作流程执行命令，生成回答用户可以参考当前的回答不断修改流程图，直到获得满意的结果

预定义的6类low code操作

该模式的优点如下：

更可控的生成结果：用户可以直接了解并控制人工智能的执行逻辑，使结果更容易被预测和控制，更符合用户的需求；用户友好的交互界面：用户可以直观地看到执行流程，点击和拖拽方式也使得操作更加便捷，提高了工作效率；广泛的应用场景：该方法可以应用于许多领域，特别是那些用户的想法和偏好至关重要的场景，文中提出了4种典型案例。

此外，Low-code LLM还可以与外部API扩展，进一步丰富场景应用。例如，高效传达用户想法和偏好，帮助用户实现任务自动化。在对接其他工具时，可以将视觉和语音等多种功能整合进来。

AutoGPT和Low-code LLM都在努力提升人工智能模型的性能和效果，前者关注模型内部的自我优化和学习，后者关注用户与模型之间的协同和交互。这两种方法可以相互补充，在不同场景和任务下取得更好的表现。

论文的致谢部分，还提到了这篇文章部分就是通过这种模式进行合作生成的，看来未来人和大模型紧密合作共创不再是梦。

关键词：