本文主要学习 ActionNode 是什么？
-
ActionNode是对Action的通用化抽象，是SOP的最小单元（每个SOP都可以看做由ActionNode组成的动作集合）。它提供了统一的抽象（包括key等见下方参数列表），相较于action整体逻辑更加干净、SOP的组织更加清晰；这对于未来学员设计和调试复杂的智能体行为是极其有益的。传统的SOP在后续迭代中可能会变得繁琐，因为它们通常需要在代码中多处进行修改。而通过引入动作节点，我们可以实现更高效的组合和同步
-
ActionNode构成的动作树能够更有效地模拟语言的复杂结构，包括语法和语义关系，这有助于提升系统处理自然语言的能力。 ActionNode使得大型语言模型（LLM）能够专注于每个最小单元的填槽任务，为智能体的规划能力提供了一种高效的数据结构，以便快速遍历各种状态和决策点，寻找最优或所需的路径
-
ActionNode为后续SOP的自动生成尝试提供了可能。就像在《我的世界》中不同的技能可以组合成新的技能一样，通过动作树节点的编排，我们可以创造出新的技能，从而更接近自然语言编程的目标。这种统一的抽象和结构化的方法，使得系统能够更好地适应和学习，为智能体的进化提供了坚实的基础
ActionNode可以被视为一组动作树，根据类内定义，一个动作树的父节点可以访问所有的子动作节点；也就是说，定义了一个完整的动作树之后，可以从父节点按树的结构顺序执行每一个子动作节点。因此，动作的执行也可以突破0.4版本框架中，需要在Role的_react内循环执行的限制，达到更好的CoT效果。
ActionNode仍然需要基于Action类进行构建，在定义一个ActionNode动作树之后，需要将该动作树作为参数赋予一个Action子类，在并将其输入到Role中作为其动作。在这个意义上，一个ActionNode动作树可以被视为一个内置CoT思考的Action。
同时，在ActionNode基类中，也配置了更多格式检查和格式规范工具，让CoT执行过程中，内容的传递更加结构化。这也服务于让MetaGPT框架生成更好、更长、更少Bug的代码这一目的。
Agent在复杂的流程中需要多次自动化地迭代action的输入输出，完成：1. prompt的自动优化；2. 不同结果的回溯和聚合；3. 相关节点的结果以及人工评价；这些处理都要求以一个更通用的数据结构来承载，action node目前的设计可以覆盖到这类需求，从而减少开发者自己大量写prompt和堆叠agent的任务处理流程
技术演进
Function call 和ActionNode 的区别：
两者的设计意图有比较大的区别
- function calling是为了工具调用而设计，比如有一个工具列表，长度为k，需要选择1个工具并填写m个参数，每个参数是一个短值，可能平均几个token；一般而言，它要求填写“待调用函数”的参数，擅长从长文本中抽取信息，一般在对话里比较常用
- 定义Function，用户请求时带上对应的Function Call定义。
- ChatGPT从query里理解意图并提取出函数调用所需要的参数词典
- 用户本地执行Function得到结果，并二次访问ChatGPT
- ChatGPT整合query和相关Function的结果答案进行输出。
- ActionNode是为了结构化SOP输出而设计，比如有一系列SOP，需要执行并且获得多级展开结果；比如一篇文档，可以有"正文-章节1-章节1.1"，这实际上是在填写一个完整的嵌套结构，并且输出总是长的；现实中，一篇成熟的产品文档可能有10000个以上字符，对应~15000 token
此外，function calling也可以成为 ActionNode的底层，但是填写“待调用函数”非常反直觉，而且之前手工测试效果比较差，它的输出偏短，很难有效的完成类似代码、长文本的生成，所以现在并没有使用它作为底层
使用ActionNode: 定义一个包含一系列ActionNode的Action，首先需要定义一个动作树的父节点和一系列子节点，将子节点与父节点建立联系
使用actionNode
在Action.run方法中，调用父节点的执行方法，获取所有子节点按顺序执行之后的结果
ui_describe = await UI_DESIGN_NODE.fill(prompt)
ActionNode.fill是其执行动作的方法，通过这个方法，实现执行传入的prompt并获取结果返回，并将结果存储在自身中
网友评论