Scouts: 能主動監控網頁變化的“數位員工”，來自@yutori_ai 團隊 核心理念：從「被動回應」轉向「主動協作」 🤖 傳統的AI 智能體通常是響應式的，且難以處理長週期、高複雜度的任務。 Scouts 的目標是建立一個主動式、多智能體的系統，使其能夠持續運行數週甚至數月，同時維持高品質的輸出並控製成本。 技術架構的關鍵組成部分🛠️ 為了解決單一模型在處理超長上下文和複雜任務時的局限性，Yutori 採用了「分而治之」的策略。 · 多智能體分工：使用一個「協調者」：指揮多個「子智能體」。協調者負責全域邏輯，子智能體負責特定工具呼叫。這避免了上下文溢出，並能針對不同子任務選擇性價比最高的情境模型。 · 意圖增強：協調者會將使用者模糊的需求轉化為高度結構化、帶有限制條件的指令。實驗證明，增強後的指令能將搜尋結果的回想率提升一倍以上，且輸出更精確。 · 工具分級調用：智能體被教導根據工具的「成本、速度、可靠性」進行排序。例如，先用低成本的Google 搜尋做偵察，只有在確認有價值後才呼叫昂貴且緩慢的瀏覽器自動化工具。 · 持久性與重試：在社群媒體等高波動平台，API 常報錯。架構中內建了重試機制，要求智能體在失敗時嘗試不同的查詢策略或工具組合，而非直接放棄。 解決「記憶漂移」與真實性挑戰文章特別分享了兩個在長期任務中容易被忽視的陷阱，以及他們的應對方案： 1. 報告檔案的關鍵字搜尋傳統的做法是直接將先前的報告貼到上下文，但這會導致“可用性偏差”，使智能體過度關注舊資訊而忽視全局。 Yutori 建立了一個可搜尋的報告檔案，透過迭代的關鍵字配對來提取相關片段，從而在不污染上下文的情況下保持長久記憶。 2. 批判性事實查核網頁內容充滿噪音和偏見。 Scouts 被賦予了質疑精神，它會跨源驗證聲明，評估來源的可信度，避免因社交媒體的誇張言辭或搜尋摘要的截斷而產生誤判。 用戶回饋的閉環系統 Scouts 的演化不僅依賴演算法，還依賴使用者。系統支援使用者在報告的行、篇章或整體行為層面提出回饋。這些回饋會被轉換為可檢查、可編輯的準則，作為未來運作的輸入。這意味著系統會隨著時間的推移，越來越契合用戶的個人偏好。
