Детальная информация

В данной работе представлен анализ существующих подходов автоматизации решения исследовательских задач при помощи агентов и мультиагентных систем на базе больших языковых моделей (или LLM, БЯМ), работаюших с использованием специальных, внутренних инструментов лабораторий. На основе результатов анализа была разработа собственная мультиагентная система ExCodeAct, которая позволяет автоматически выполнять задачи пользователя, вызывая как различные интерфейсы инструментов, так и генерируя Python-код, взаимодействующий с приватными модулями лаборатории. Кроме того, в отличие от аналогов данное решение способно анализировать мультимодальные данные, рефлексировать над ошибками, а также использует специально разработанный тип модерации контекста, позволяющих оптимизировать расход токенов для кодогенерации. Предлагаемое решение было разработано на языке программирования Python 3.12 с использованием библиотек для создания мультиагентных систем LangGraph и взаимодействия с LLM LangChain. Графический интерфейс реализован с использованием Streamlit. Разработанное решение было апробировано на внутренних инструментах лаборатории в различных сценариях использования: начиная от простых задач, вроде загрузки и выгрузки данных с источника, заканчивая комплексными сценариями, требующих анализ данных или обучение нейросетевых моделей. Тестирование показало, что на внутрених конкретных инструментов предлагаемое решение отличный справляется с решением задач (в среднем - 14 из 15), притом расход токенов сократился на 33% в сравнении с аналогами. Решение также имеет гибкий интерфейс подключения инструментов, задания системных инструкций LLM, что допускает внедрение мультиагентной системы в другие исследования с минимальными усилиями.

In current work an analysis of existing approaches to automating the solution of research problems using agents and multi-agent systems based on large language models (or LLMs), which work using special, internal tools of laboratories was provided. Based on the results of the analysis, new multi-agent system ExCodeAct was developed: the solution provides automatic execution of user tasks, invoking different tool interfaces, as well as generating Python code that interacts with specific, hiden from public lab modules. In addition, unlike existed systems, this new solution is capable of analyzing multimodal data, reflection on code execution errors, effective moderation of documentation, which placed in context window. The proposed solution has been developed in the Python 3.12 programming language using "LangGraph" for creating multi-agent systems and "LangChain" for interfacing with the LLM. GUI was implemented using "Streamlit" library. The developed solution has been tested on internal laboratory tools in various scenarios: from simple tasks like loading data to complex scenarios requiring data analysis or neural network models training. Testing has shown, that the proposed solution perfectly solve tasks, using internal specific tools (14 out of 15 in average), with token consumption reduced by 33% compared to analogs. The solution also has a flexible interface for connecting different tools and modifying LLMs system prompts, which allows using multi-agent system in other laboratories with minimal effort.

• Мультиагентная сеть сопровождения исследования
  • Мультиагентная сеть сопровождения исследования
    • Введение
    • 1. Определения и постановка задачи
    • 2. Обзор литературы
    • 3. Обзор предлагаемого решения
    • 4. Апробация решения
    • Заключение
    • Список сокращений и условных обозначений
    • Список использованных источников
    • Приложение 1. Описание ClearML-bench
    • Приложение 2. Используемые инструменты
    • Приложение 3. Пример использования мультимодальности инструмента
• 46b95d4a05b510c6e6faa1680479e0e67c6d0681540f631e635c5486a7aaac74.pdf
• Мультиагентная сеть сопровождения исследования
  • Мультиагентная сеть сопровождения исследования
    • Введение
    • 1. Определения и постановка задачи
    • 2. Обзор литературы
    • 3. Обзор предлагаемого решения
    • 4. Апробация решения
    • Заключение
    • Список сокращений и условных обозначений
    • Список использованных источников
    • Приложение 1. Описание ClearML-bench
    • Приложение 2. Используемые инструменты
    • Приложение 3. Пример использования мультимодальности инструмента