7 января на CES 2025 года основатель NVIDIA Дженсен Хуанг заявил: «Искусственные интеллектуальные агенты могут стать следующей отраслью робототехники» с потенциальным рынком в триллионы долларов. В этой связи экосистема искусственного интеллекта стала свидетелем появления двух ведущих проектов — ai16z и Протокол виртуальных, чьи рыночные капитализации превысили 2,4 миллиарда долларов и 5 миллиардов долларов соответственно. Однако, когда все думали, что «фракционная битва» решена, тихо появился темный конь — Swarms. За последнюю неделю капитализация Swarms выросла с 80 миллионов до пика в 540 миллионов долларов.
Swarms (meaning “group”) was initiated by Kye Gomez in 2024, with the core positioning of “Powering The Agent Economy.” Its vision is to leverage the Solana network to build “trillions of AI agents collaborating seamlessly to solve humanity’s greatest challenges.”
### Почему нужны РоиТрадиционный одноагентный искусственный интеллект лишен долговременной памяти, склонен к галлюцинациям, и большинство агентов могут сосредотачиваться только на одной задаче. Swarms решает эти проблемы, используя подход "многоагентной системы", предоставляя искусственным интеллектуальным агентам дополнительные возможности: кросс-валидацию для уменьшения галлюцинаций, распределенную память для непрерывности, специализированное распределение задач для улучшения эффективности и параллельную обработку для ускорения сложных рабочих процессов.
Другими словами, организуя несколько агентов в «Roй», Roи делает системы искусственного интеллекта более стабильными, интеллектуальными и масштабируемыми. Он также способствует более легкому сотрудничеству и разделению труда, с инновациями в автоматизации, общей памяти и надежной коммуникации.## Как работают рои### Архитектура стаиВ роях термин "рой" относится к группе из двух или более агентов, которые сотрудничают для достижения общей цели. Архитектура роев разработана для установления и управления связью между агентами в группе. Эти архитектуры определяют, как взаимодействуют агенты, делят информацию и координируют свои действия для достижения желаемых результатов.
Режимы коммуникации между агентами включают иерархическую коммуникацию, параллельную коммуникацию, последовательную коммуникацию, сетевую коммуникацию и кооперативную коммуникацию.
Архитектура Swarms использует эти шаблоны коммуникации, чтобы обеспечить эффективное взаимодействие среди агентов, адаптируясь к конкретным требованиям задачи. Определяя четкие протоколы коммуникации и модели взаимодействия, Swarms могут без проблем координировать несколько агентов для улучшения производительности и способностей в решении проблем.
Архитектуры роев можно классифицировать по следующим типам на основе методов коммуникации:- Иерархическое стадо- Параллельный Рой- Последовательное стая- Round Robin Swarm- Распределенная таблица Swarm- Архитектура смеси агентов
В зависимости от задачи или сценария Рои могут выбрать наиболее подходящий архитектурный тип для эффективного решения проблемы.### Анализ агентаВ структуре Swarms агенты разработаны для автономного выполнения задач с использованием крупных языковых моделей (LLMs), различных инструментов и систем долговременной памяти.
Обзор компонента агента- LLM: Основной компонент, ответственный за понимание и генерацию естественного языка.- Инструменты: Внешние функции и сервисы, которые агенты могут вызывать для выполнения конкретных задач, таких как запросы к базам данных или взаимодействие с API.- Долгосрочная память: Системы, подобные ChromaDB или Pinecone, которые хранят и извлекают долгосрочную информацию, позволяя агентам помнить прошлые взаимодействия и контексты.
Рабочий процесс агента можно разбить на несколько этапов: инициирование задачи, начальная обработка LM, использование инструментов, взаимодействие с памятью и окончательная обработка LM.- Инициация задачи: Ввод представляет собой задачу или запрос, который агент должен решить, а вывод - структурированный план или подход к решению задачи.- Начальная обработка LLM: Модель LLM анализирует задачу для понимания контекста и требований.- Использование инструмента: LLM определяет план действий или конкретные подзадачи и использует доступные инструменты для сбора внешней информации, возвращая результаты.- Взаимодействие с памятью: агент взаимодействует с системами долговременной памяти для сохранения новой информации и извлечения соответствующих прошлых данных.- Финальная обработка LLM: LLM использует улучшенные данные для генерации окончательного ответа или завершения задачи.
## Дорожная карта SwarmsКоманда Swarms разработала пятифазную дорожную карту развития:
Gate.com теперь поддерживает торговлю $SWARMS на местах
* Информация не предназначена и не является финансовым советом или любой другой рекомендацией любого рода, предложенной или одобренной Gate.
* Эта статья не может быть опубликована, передана или скопирована без ссылки на Gate. Нарушение является нарушением Закона об авторском праве и может повлечь за собой судебное разбирательство.





