最近，Meta、华盛顿大学和阿伦AI实验室的研究人员联合开源了全新的AI Agent HUSKY，专为解决包括数学、表格分析等复杂推理任务而生。
HUSKY不同于传统AI Agent，它采用了一个统一的行动空间，无论是数值计算、表格分析还是基于知识的推理，都能通过一系列预定义的自动化行动来完成任务。这种统一性的设计不仅提升了算法的泛化能力，还使其能够跨领域解决多种难题。此外，HUSKY还使用了一种迭代推理的方法。这种方法允许系统在行动生成和执行之间进行不断的迭代和反馈，就像人类遇到复杂问题时会分解任务，一步步解决。HUSKY在处理超复杂任务时非常高效。
行动生成阶段：行动生成器作为HUSKY的核心组件，承担着预测任务解决过程中下一步行动的部署计划。它接收输入的问题和已有的解决方案历史，通过精准的预测，确定接下来需要采取的步骤和相应的工具。这个过程借鉴了GPT-4使用的”few-shot prompting”技术，无需额外训练就能帮助HUSKY能够通过少量示例快速学习并适应新任务。
行动执行阶段：HUSKY的专家模型将具体任务分配给相应的工具。这些专家模型分别负责代码生成、数学推理、查询生成和常识推理等不同任务。
HUSKY不仅体现在单个模块的能力上，更在于模块间的协调与合作。行动生成器需要理解问题需求，预测出合理的行动和工具使用顺序；而专家模型则需精确执行这些行动，并将结果反馈给行动生成器。这种紧密的协作是HUSKY解决复杂问题的关键。
简而言之，HUSKY的行动生成与执行是一个不断迭代、反馈的闭环，在执行的过程中协同工作，不断生成和执行行动，同时更新解决方案状态。这一迭代过程持续进行，直到行动生成器在解决方案历史中识别出最终答案，HUSKY便达到终端状态并返回最终结果。
研究人员对HUSKY在不同类型的推理任务上进行了综合测试，展现出了卓越的表现。无论是在数值推理任务中处理高难度竞赛数学题，还是在表格推理任务中应对复杂的数据分析，HUSKY都展现了出色的能力。
