从人工智能使用到智能工作环境

Argo 是如何诞生的

Argo 的诞生并非出于开发另一个人工智能代理的简单想法。最初的动机是来自自身使用现代人工智能系统工作中的实际问题。

随着各种模型能力的不断增强，我开始并行使用多个AI提供商。不同的模型被用于不同的任务：一个AI制定方案，另一个审查它，还有一个改进或扩展结果。

这种工作流起初非常有效。多个专业视角往往比仅使用单一模型工作带来更好的结果。然而，同时也出现了新的挑战。

随着多个模型、不同的聊天、不同的工作状态和并行开发分支，协调变得越来越复杂。部分出现了对项目的不同解读、不同的技术概念，以及将各个结果重新整合的日益增长的工作量。

此外，还显现出另一个问题：现代AI虽然强大，但高效使用并非自动实现。尤其是在较大的项目中，如果任务必须多次处理、个别方法不起作用，或者结果需要大量控制和纠正，成本可能迅速上升。

从这个问题中产生了Argo的想法：一个系统，它结合多个AI模型的优势，而无需人类承担全部协调工作。

Argo 的愿景

Argo 的愿景是将独立的人工智能工具发展成一个结构化的工作环境。

Argo 不应只是生成更多代码、更多文本或更多回答。重点在于高质量的结果：可行的、长期有意义且符合实际需求的解决方案——而不仅仅是勉强满足规范的结果。

这其中不仅最终结果至关重要。达到结果的路径也应保持可理解。

因此，Argo 的一个核心目标是最大程度的透明：决策、分析、改进和审查应当被清晰地记录并可追溯。用户不仅应获得结果，还应能理解为何产生该结果以及它的可靠性如何。

从一个编程项目到通用知识平台

Argo 的起源在于软件开发。

最初，Argo 仅仅应成为一个用于私人编程项目的快速编排框架。然而在开发过程中明确显示，其底层概念可以远远超出这一最初应用场景。

软件开发是一个特别合适的起点，因为那里显现出现代AI使用许多最大的挑战：复杂关联、长期项目、高质量要求以及定期审查结果的必要性。

同时，这些挑战并不限于软件开发。

长远来看，Argo 应从软件工程（SWE）成长为一个全面的知识工作平台。凡是对材料的深入理解、多视角、持续控制以及明确目标导向所需之处，此类系统都能带来附加值。

这其中包括例如研究、分析、规划、文档、战略制定或其他复杂任务领域。

Argo 的四大基本原则

Argo 基于四个核心原则：

1. 并行性

复杂任务受益于多个独立的视角。Argo 利用并行使用不同流程和模型的可能性，以开发更好的解决方案并及早识别个别方法的弱点。

2. 知识

一个智能系统必须能做的不仅仅是解决单个任务。通过记忆（Memory）和技能（Skills），Argo 应使有关项目、工作方式和关联的知识长期可用。

3. 验证

结果不仅应被生成，还应被检验。Argo 特别重视对解决方案进行评估、改进并可追溯地加以保障。

4. 供应商独立性

用户应能够自行决定使用哪些模型和提供商。无论是云模型、本地模型还是不同系统的组合，都保持灵活和可调整。

质量而非数量

许多当前的AI系统被优化为尽可能快地生成回答。Argo 遵循另一种方法。

目标不是生产尽可能多的结果，而是需要尽可能少的不必要的失败尝试，从而以更少的投入获得更好的结果。

一个好的AI系统不应强迫人去密集控制每一个输出、寻找错误并反复重新启动相同任务。

相反，Argo 应在人类能力尤其有价值的方面支持人：在构思、创造力、解决问题、愿景和新概念交流方面。

AI 不应取代创造性过程。它应减少技术和组织负担，以便人类有更多时间用于实际创作。

当前状态

Argo 目前处于积极的开发和测试阶段。

许多基础组件已经实现，同时仍有大量领域需要改进、扩展和稳定，才能达到 Argo 的长期目标。

当前重点是通过内部和外部测试收集可靠的见解：

• 与经典的单代理相比，时间和成本能减少多少？
• 多个模型的组合能多可靠地改善结果质量？
• 相对于现有解决方案（如单个编程代理）的实际优势有多大？
• 需要哪些机制以使结果持久保持一贯的高质量？

因此，开发不仅集中于新功能，更主要集中于可衡量的质量、效率和可靠性。

Argo 的未来

Argo 仍处于其开发的起点。通往通用知识工作平台的道路需要许多进一步的步骤、测试和改进。

然而，基本理念保持不变：

AI 不应仅仅是更快完成单个任务的工具。它应成为一个结构化、可追溯且可靠的工作环境，在其中人类能够实现其想法。

Argo 正是试图填补这一空白：减少在控制和重复上花费的时间，赢得更多时间用于人类最擅长的事情——思考、设计和开发新的可能性。

旅程才刚刚开始。