简介
####


源码统计分析(2024-06-22)::

    -------------------------------------------------------------------------------
    Language                     files          blank        comment           code
    -------------------------------------------------------------------------------
    Python                         613          10478          12402          36284
    JSON                            80             22              0           8187
    Text                            68            422              0           4727
    Markdown                        37            665             15           1900
    YAML                            42             54             38           1384
    JavaScript                      15            132             74            926
    TypeScript                       8             81            167            534
    CSV                             13              0              0            213
    TOML                             1              5              5             30
    SVG                             25              0              0             25
    Dockerfile                       1              5              5             15
    Bourne Shell                     4              2              2             11
    HTML                             1              0              0              1
    -------------------------------------------------------------------------------
    SUM:                           908          11866          12708          54237
    -------------------------------------------------------------------------------


相关论文
========

* 主论文: https://arxiv.org/abs/2308.00352
* Data Interpreter: An LLM Agent For Data Science: https://arxiv.org/abs/2402.18679





* MetaGPT中最难的工作是智能体和大语言模型相关设计，和如何做好抽象和框架
* DeepWisdom注重智能体本身的标准化，将标准化操作程序（Sops）编码作为提示，可以很好地解决幻觉问题，来推动多个智能体的发展。
* 最核心的智能体只需要十几个，在有了底层的基础后，可以结合不同角度的知识，生成更多的智能体。



* SOPs(Standardized Operating Procedure)是在许多领域通过长时间的协作实践形成的广泛接受的标准化操作程序，它们在支持任务分解和高效协调方面发挥着关键作用。





疑问点
======

1. ActionNode 的作用
    class WriteDesign(Action):
        DESIGN_API_NODE = ActionNode.from_children("DesignAPI", NODES)
        REFINED_DESIGN_NODE = ActionNode.from_children("RefinedDesignAPI", REFINED_NODES)
    class WriteTasks(Action):
        PM_NODE = ActionNode.from_children("PM_NODE", NODES)
        REFINED_PM_NODE = ActionNode.from_children("REFINED_PM_NODE", REFINED_NODES)


2. Data Interpreter通过动态规划、工具集成和自动化验证，显著提高了数据科学任务的可靠性、自动化程度和推理能力。
大型语言模型（LLM）已经在多种应用中展现出了卓越的性能，但在数据科学场景中，它们需要实时调整数据、优化任务执行和精确推理的能力。
为了解决这些挑战，研究者提出了Data Interpreter，这是一个专门为数据科学问题设计的LLM代理。
方法论 (Methodology)
动态规划与层次结构：Data Interpreter使用层次图结构来理解数据科学的复杂性，并采用动态规划方法来适应任务变化。
工具利用和生成：通过集成各种代码片段和创建特定任务的工具来提高编码熟练度。
逻辑不一致性识别：通过反馈中的逻辑错误识别和经验记录来提高效率。

3. 


竞品
====

* https://github.com/microsoft/autogen
* https://github.com/reworkd/agentgpt
* https://github.com/Significant-Gravitas/AutoGPT
* https://github.com/langchain-ai/langchain
* https://github.com/run-llama/llama-agent


* https://github.com/yoheinakajima/babyagi



参考
====

* 基于MetaGPT，DeepWisdom希望构建多智能体社区: https://baijiahao.baidu.com/s?id=1781235466453103194