家人們，OpenAI前腳剛發布自定義GPT，讓人人都能搞開發；后腳國內一家大模型初創公司也搞了個產品，堪稱重新定義開發——讓AI智能體們協作起來！

只需一句話，最快3分鐘不到，成本也只要2元多，“啪~”，一個軟件就開發完了。

例如開發一個紅包雨的小軟件，現在只需要說一句就好了：

“紅包雨”是一個點擊小游戲，紅包的外觀是紅色高瘦的圓角矩形，紅包緩慢地從上方掉落，每個紅包間距相等 ，沒有重疊，鼠標點擊任意一個紅包，紅包便隨著互動點擊而消失，同時顯示一個吉利的數字，表示搶到這個紅包得到了多少錢。

更重要的一點是，在開發的整個流程中，從產品經理到程序員，再到設計和測試等等，統統都是AI智能體！

沒錯，全程你只需要提需求，剩下的智能體們會自己討論、交流，甚至還伴隨著battle，最終確定方案并執行。

要知道，常規軟件的開發周期是在2-3周，且成本在10000-50000美元之間（包括人力）；如此對比起來，可真的是大寫的“降本增效”！

這款神器便是ChatDev，是由面壁智能最新推出的SaaS級智能軟件開發平臺。

其實早在兩個月前，“ChatDev智能體協作開發框架”就已經在GitHub上開源，并多次霸榜Trending排行，目前已經攬獲近17000顆star。

而此次面壁智能之所以推出產品版，就是為了把這種“一句話搞開發”的門檻再次“打下去”。

現在有了它，搞開發可以說拼得不再是技術了，拼得更多的反倒成了創意。

宛如身邊有一只哆啦A夢，只要你敢想，它就敢給你“造”出來。

那么產品版ChatDev正在帶來什么樣的改變？又是如何做到的？

產品開發變了：可以把更多創意塞進去

在產品版ChatDev加持之下，開發的迭代，也變成了有想法就行的事。

例如你想把“紅包”替換成你想要的元素，同樣也是只需要一句話的那種。

然后AI智能體們就又開始了新一輪工作流程，這次，我們來具體看看它們之間到底是怎么展開工作的。

我們還是先以剛才紅包雨的demo為例。

首先，就像剛才提到的，我們需要做的就只有填寫好“項目名稱”和“Prompt”。

而且即便Prompt寫得不好，在ChatDev旁邊也有一個“一鍵潤色”的功能，自動幫你把需求補充完整。

然后我們就能看到AI智能體們就開始“搓搓小手”準備干活兒了。

CTO先發話，大概意思就是：

來活兒嘍！客戶要搞個“紅包雨”~

緊接著

CTO詳細地拆解了這個需求，把項目要做的每一步都羅列了出來：

任務下達之后，就輪到程序員發力了。

只見他不費吹灰之力，立即給出了一段Python代碼：

代碼完成之后，還有會有一位AI Counselor，會對整個項目做個總結，并將邏輯、結果等等一并奉上：

整個對話過程可謂是非常絲滑，我們就像一位尊貴的客戶，靜靜地看著這些“AI員工”有條不紊地推進著項目。

不得不感慨，現在搞開發，真的成了有想法就行的事兒了。

例如網絡爬蟲、數據庫讀寫、文件批處理、網頁設計這樣的編程助手；像五子棋、貪吃蛇這樣的休閑小游戲；再如數字時鐘、計算器、繪畫板、圖片編輯器這樣的效率管理和創作輔助工具。

統統都能hold得住~

怎么做到的？

從早期披露的消息和論文中可以看到，最初的ChatDev，是團隊設計了一套由群體智能串聯起的ChatChain（交流鏈）。

可視為由原子任務組成的“軟件生產線”，通過專業角色的智能體進行對話式信息交互和決策，驅動其進行自動化全流程軟件工程。

然而，應用的創新離不開基礎模型能力的提升，隨著面壁智能推出SaaS版ChatDev，我們發現其自研的基座模型也有了新的版本——

面壁智能自研的新一代千億參數大模型——CPM-Cricket（CPM全稱為Chinese Pretrained Model) 。

據了解，CPM-Cricket是面壁智能的第三代模型，前兩代分別為CPM-Ant、CPM-Bee。

（有意思的一點是，每一代模型的名字是按照英文字母的順序為首字母，并取一個昆蟲的英文單詞來命名。）

至于CPM-Cricket的能力幾何，一言蔽之，是在邏輯、代碼、知識、指令理解等方面有了大幅提升，且全面超越Llama 2的那種。

在經典的LLM評測集（HumanEval、C-Eval、MMLU、MBPP、CMMLU、BBH等）中，CPM-Cricket表現如下：

或許這樣的一組數據并沒法帶來非常直觀的感受。

那么同樣是基于CPM-Cricket的類ChatGPT產品——Luca 3.0，把它“丟”進公考場景之后的表現，便可以讓CPM-Cricket的能力變得更一目了然了。

題目是這樣的：

選取2022-2023年的公考試題，包括常識判斷、數量關系、資料分析、判斷推理、語言理解與表達等多種題型的425道試題。

例如面對下面這道單選題，Luca 3.0不僅可以秒速作答，還能將每一步的解題步驟詳盡地列出來：

即使是面對話術彎彎繞繞、真人看了都需要反應一會兒的邏輯題目，Luca 3.0的回答也是游刃有余：

可以說，Luca 3.0在這套題上的表現是做到了“快”和“準”。

而與之同臺競技的選手，面壁智能所選取的也是業界相對標桿的大模型，GPT-4。

不難看出，在重要的常識判斷和判斷推理兩項能力中，Luca 3.0相比GPT-4已經能夠保持相對的優勢了。

不僅如此，在英文測試環境中，Luca 3.0在GMAT官方模擬考試題中的表現，同樣也是GPT-4整體相當（其中閱讀達到GPT-4的97%水位）。

而Luca 3.0之所以能夠取得這般成績，除了背后CPM大模型升級這個因素之外，面壁智能在微調方面也做了相應的策略：

一是課程學習（Curriculum learning，CL）的訓練策略，模仿人類的由易到難的學習過程，先在預訓練中讓模型學習底層推理規律，然后在對齊階段學習人類的逐步推理思維。

二是思維鏈（Chain-of-thought，CoT）策略，對推理過程分解，讓模型的推理更加具有可解釋性。

（PS：目前Luca已經正式面向公眾開放服務，是可以免費體驗的那種哦~）

在底層基礎設施的其他方面，例如訓練、壓縮和推理，面壁智能也自研了自己的一套打法：

• BMTrain：大模型高效訓練框架
• BMInf：大模型高效推理框架
• BMCook：大模型高效壓縮框架

據說其大模型已集成超過16000多個真實API，可實現一鍵接入，調用工具解決更多復雜任務。

此外，面壁智能還部署了Int8量化模型，讓模型推理成本降低50%。

總結來說，面壁智能探索了出更為低成本、高效率的模型訓練方法，讓大模型不僅能“訓出來”，還能“訓得好”、“用得好”。

這可能就是這家創業公司推動“大模型+Agent”應用落地的實力和底氣。

還有更大的一盤棋

不過除此之外，基于大模型底座的基礎能力，面壁智能還曾開源了兩項重磅的工作——AgentVerse和XAgent。

加上之前我們提到的ChatDev，三者共同形成了面壁智能的“三駕馬車”，圍繞的核心便是AI智能體。

AgentVerse是一個大模型驅動的智能體通用平臺，它的作用就是打造各式各樣的AI智能體，讓它們具備感知、思考、推理、理解、協作和執行的能力，以便“組團打怪”。

XAgent是大模型驅動的AI智能體應用框架，它可以讓智能體們具備自主規劃和決策能力，能夠理解人類指令，制定復雜計劃并自主采取行動完成任務。

而ChatDev則更為聚焦，是大模型驅動的多智能體協作開發框架，采用軟件工程瀑布模型的思想，將軟件開發分為軟件設計、系統開發、集成測試、文檔編制四個主要環節。

但若是我們將此次發布的所有“單節點”聯系到一起，就能發現，面壁智能實則是在下一盤更大的棋——

左手大模型，右手AI智能體，要打造的是一個智能體網絡（Internet of Agents，IoA）。

因為在面壁智能看來，我們已經經歷了從互聯網到物聯網的過渡，而接下來的駛向便是智聯網。

如果說互聯網是二維信息的聯通、物聯網是三維空間的聯結，那么智聯網則是進入更高維度的智能體互聯。

而在智聯網中，AI智能體應當是最為關鍵的存在，它可以是擬人的原生智能體，也可以是現實中的人和物體的數字孿生智能體。

通過智能體的連接，可以讓AI真正為人類服務，提供價值（生產力的提升、交互方式的改變）。

以一個大膽的想象來比喻，可能在智聯網的將來，家中的哪怕是一張桌子、一臺冰箱，也會具備智能體的特性，可以與人和其它物體做智能交互。

而這，也正是面壁智能愿景的由來——智周萬物：

“智”即AI Agent智能體；“萬物”可以是人，可以是物。

AI Agent智能體網絡是連接現實世界與虛擬世界的橋梁，并使其真正交互和協作起來，創造價值。

不過有一說一，智聯網的理想雖好，但現實的情況是，即使是ChatDev和第三代大模型的發布，也只能視為邁向愿景的一步。

那么面壁智能是否有足夠的實力能夠在將來解鎖“智周萬物”呢？