在今天的专栏中，我提出了一种新的提示策略，旨在优化多智能体人工智能的使用。 随着涉及特定任务的代理人工智能（如生成式人工智能和大型语言模型）不断发展，越来越多的这些人工智能将会涌现。因此，有效编写提示以引导适当的代理人工智能变得至关重要。错误的提示可能导致不必要的互动或无法激活关键的人工智能。 本专栏是我正在进行的《福布斯》系列的一部分，探讨人工智能的最新进展及该领域的各种复杂性。 **代理人工智能时代的提示工程** 之前我讨论了许多提示工程技术，这些技术可以提升你与生成式人工智能的互动效果，从而带来可观的机会。代理人工智能的兴起为提示工程带来了新的维度。 考虑使用生成式人工智能规划假期：虽然最初的规划可能比较简单，但预订往往需要切换到第三方网站。这时，代理人工智能可以作为虚拟旅行代理人，通过自然语言互动来处理规划和预订。 **多智能体人工智能的价值** 与其依赖单一的代理人工智能，使用多个代理可以大大提高效率。然而，这也带来了判断应调用哪些代理的挑战。不正确的选择可能会产生成本或使任务复杂化，而未能调用合适的代理可能会妨碍进展。 我提出了两种主要的多智能体人工智能提示编写方法： 1. **驾驶者座位：** 用户指定需要激活的人工智能代理及其顺序，从而减少模糊性。 2. **乘客座位：** 用户概述整体任务，让生成式人工智能决定调用哪些代理。 每种方法都有其权衡取舍。驾驶者座位提供控制，但可能导致复杂性，而乘客座位则提供简单性，但需要清晰的沟通以避免模糊。 **编码辅助中的示例** 为说明这一点，我们以五个可用的人工智能代理的编码场景为例： 1. **CodeFixer（代码修复器）：** 调试和优化代码。 2.

**CodeReviewer（代码评审员）：** 评估代码是否符合最佳实践。 3. **BugHunter（漏洞猎手）：** 识别漏洞和逻辑错误。 4. **PerfAnalyzer（性能分析器）：** 评估性能并建议优化。 5. **DocWriter（文档撰写者）：** 生成文档。 *驾驶者座位示例：* 当给出修复Python脚本的提示时，我可能会指示：“调用CodeFixer，然后是BugHunter，接着是PerfAnalyzer。”生成式人工智能随后确认并执行指定的顺序。 *乘客座位示例：* 相反，我可以说：“我需要帮助我的Python脚本，请调用可以协助的代理。”人工智能理解我的请求并选择代理，同时保持我对其计划行动的知情。 然而，模糊的提示可能导致效果不佳。例如，仅仅请求“帮助我的Python脚本”可能不会导致有效的代理参与，除非加以澄清。 **多智能体人工智能的新兴研究** 人工智能领域的研究正在迅速推进。最近的一项研究提出了“AgentRec”，重点在于根据用户提示高效选择代理。这项研究的见解强调了生成式人工智能提升根据学习数据选择合适代理能力的潜力。 随着我们采用和完善这些技术，实践调用多智能体人工智能将至关重要。虽然许多生成式人工智能应用目前限制了直接调用代理，但未来承诺将会有所改善。 请记住林肯的话：“未来最美好的事情是它每天只到来一次。”这同样适用于不断发展的多智能体人工智能领域。