AgentKit: Flow Engineering with Graphs, not Coding

我们提出了一种直观的LLM提示框架（AgentKit），适用于多功能代理。AgentKit提供了一个统一的框架，可以从简单的自然语言提示中明确地构建复杂的“思考过程”。AgentKit的基本构建块是一个节点，包含一个特定子任务的自然语言提示。然后用户可以像堆叠乐高积木一样组合节点链。节点链可以被设计成明确地强制执行自然结构化的“思考过程”。例如，对于写论文的任务，可以从1）确定核心信息，2）确定之前的研究空白等思考过程开始。AgentKit中的节点可以以不同的方式设计和组合，以实现多种高级功能，包括即时分层规划，反思和从交互中学习。此外，由于模块化的特性和模拟明确的人类思考过程的直观设计，一个基本代理可以实现为子任务提示的简单列表，因此可以由没有任何编程经验的人设计和调整。定量地，我们展示了通过AgentKit设计的代理在WebShop和Crafter上实现了SOTA的性能。这些进展突显了AgentKit在使LLM代理对更广泛的应用程序有效和可访问方面的潜力。https://github.com/holmeswww/AgentKit

AgentKit试图解决构建多功能智能代理的问题，并提供一个统一框架来从简单的自然语言提示中显式构建复杂的思维过程。

AgentKit的基本构建块是节点，其中包含特定子任务的自然语言提示。用户可以将节点链组合起来，如堆叠乐高积木一样，以显式实现自然结构化的思维过程。AgentKit的节点可以以不同的方式设计和组合，以实现多种高级功能，包括即时分层规划、反思和从交互中学习。

AgentKit可以使初学者也能够设计和调整基本代理，因为它具有模块化的性质和仿真显式人类思维过程的直观设计。此外，AgentKit的代理在WebShop和Crafter上实现了SOTA性能。

最近在这个领域中，还有一些相关研究，如GPT-3、BERT和OpenAI等。