认知架构之路：开源与闭源
承接上文，下面让我们来分析一下开源与闭源在认知架构领域的发展，我们分别以 LangChain 和 OpenAI 作为开源与闭源两个阵营的代表。
OpenAI 作为 AGI 领域的明星公司近期推出的 GPTs 系列产品，是强力推动 Agent 认知架构的代表。通过其独立性和主动性，GPTs 可以自主访问知识、调用工具，并基于对话历史自主决策。这类似一个比过去对话系统更为主动、智能的代理人。
OpenAI 在推出 GPTs 系列消费产品的同时，还专门为开发者准备了 Assistants API 这个工具。这可以看作是面向开发者的认知架构服务。Assistants API 为用户提供了类似代理人的智能体系统：
它内置了对话式交互、代码执行和知识检索等功能模块；
开发者可以基于这个框架，扩展自己所需的决策工具和流程；
Assistants API 帮助记录状态，负责决策与工具调用之间的调度协调。
这相当于一个半成品的 Agent 架构，开发者只需在此基础上进行二次开发，就可以获得一个工作的智能代理人。这种高度自主的 Agent 设计理念，与 OpenAI 追求的 AGI 目标十分吻合。他们寄希望于通过不断完善这种结构，LLM 可以获得越来越强的思考与决策能力，最终实现通用智能。
与此形成对比的，是开源社区构建的认知架构工具体系。以 LangChain 为代表的开源工具，提供了丰富的样本代码、集成模板、调试工具等资源。开发者可以自主搭建认知架构，无需受限于任何厂商。LangChain 的方法也更倾向于给系统设计明确的状态转换逻辑 —— 它们构建了类似多步工作流的链条式或者状态机式的认知架构，在不同场景间转移更加可控。这虽然牺牲了部分自治性，但可靠性和适应性都更强。
比如 LangChain 推出的 OpenGPTs 项目，就是试图复刻 GPTs 式产品的功能以及开发者版的 Assistants API 的功能。作为一个开源系统，OpenGPTs 的最大优势就在于它提供了高度的可自定义性。比如用户可以选择集成不同的语言模型，通过 LangChain 已经支持 60 多个知名大语言模型。此外，OpenGPTs 也让用户更容易添加自定义的工具，实现特定域的定制化应用。
OpenGPTs: https://github.com/langchain-ai/opengpts
OpenGPTs 带来的自定义维度主要包括:
语言模型的选择：已默认集成 GPT-3.5 Turbo、GPT-4 等多个模型，还可轻松添加其它大语言模型。
提示工程的调优：通过可视化平台 LangSmith 进行提示策略的调试。
自定义工具的添加：如以 Python 方式实现的定制工具，可直接接入系统。
向量数据库的切换：可在 60 多个预集成的向量库中选择。
检索算法的配置：可以自定义使用的检索算法。
可以看出，OpenGPTs 为用户提供了从底层模型到提示策略再到工具链的全流程定制。这类似于一个开放的认知架构搭建工具箱。用户无需受限于任何厂商，可以自主控制各个层面的技术细节。所以作为开源社区的代表，LangChain 其实也相当于提出了另一套系统架构的设计理念，其认知架构设计更强调：
增加外部系统对语言模型决策的约束指导；
为不同问题空间设定不同的状态转换机制；
主动将相关上下文知识推送给语言模型；
大语言模型负责在给定的状态及场景中制定最优决策。
这相比 OpenAI 更加强调外部系统与语言模型的协同。牺牲了一定的自主性，但可解释性与稳定性都更强。LangChain 通过这种设计，也可以催生更多用于构建智能体系统架构的开源工具。
综上所述，开源与闭源社群目前在认知架构领域都展开了一些行动：
OpenAI 正在发展高度自主的 Agent 架构，并在商业化环境下不断完善；
LangChain 等开源社区更强调可解释、可控，提供开放的认知架构工具。
AGI 认知架构之路上的开源和闭源，如何发展、演变？让我们拭目以待！
