GPTs的局限性
OpenAI近期陆续发布了GPTs,Agent Store等新的产品和服务,无疑代表了人工智能,特别是自然语言处理领域的进步。这些模型可以进行语言理解和语言生成,针对特定领域展现出接近人类水准的交互能力。但是仔细评估后可以发现,目前的GPT模型仍然存在一定的局限性。最大的问题在于,它们都是针对单个交互环节进行训练和构建的。一个交互环节完成指定的任务后就结束,不考虑连续性多轮交互,也不具备主动触发新的交互环节的能力。这与人类日常生活中的零散交互非常匹配，但是对于企业级的连续性复杂交互任务还存在一定差距。单个交互环节的设计,使得GPT模型更适合针对固定领域的问答,而在开放领域的复杂交互中仍显生硬。
智能体数量的困扰
随着GPT类模型性能的提升,可以预见未来个人用户可同时拥有多个针对不同领域的GPT智能体。但这也会带来新的问题——选择困扰。当用户拥有过多智能体时,每次使用都需要选择调用哪一个智能体,这无形中增加了用户的心理负担。理论上,可以设计一个更高级的智能体,根据对用户需求和上下文的理解,主动选择和调用合适的智能体。但是这样一个选择调度类智能体又面临自己的困境——它面对的是一个开放的任务空间,可能的智能体组合数极大,而其输出空间却有限。Agent Store中针对相同或类似的任务可能存在多个可用的智能体，最终用户选择的是Agnet Store中的一个子集，且每个任务仅有一个Agent对应。这样一来,这个选择调度类智能体在不同用户手中的表现都将是独一无二的，这将意味着更多私有的训练，且训练结果直接影响最终用户体验。
业务逻辑层的难点
在更深层次上分析,GPT类模型的这些局限性,反映出软件工程领域业务逻辑层的表达、抽象与封装仍然是难点。当前各种低代码开发平台、业务流程管理系统等,都试图简化业务逻辑的实现,但都没能很好地表达复杂多变的业务逻辑。随着业务逻辑规模和复杂度的增加,现有方法的维护成本和项目复杂度急剧上升。GPT模型的单交互模式设计和选择困境,从一个侧面反映出业务逻辑层仍需进一步的理论突破与实践探索,这已经成为制约软件工程发展的瓶颈。
业务抽象的难题
综上所述,业务逻辑层抽象仍然是软件工程中的一个核心难点,这限制了低代码、工作流、规则引擎等相关领域的进一步发展，同样也是面向对象和微服务等理论无法突破普及瓶颈的主要原因。尽管OpenAI的GPT系列语言模型在自然语言处理上有长足进步,但其在复杂业务逻辑的连续性建模和抽象表达方面仍有短板,无法处理复杂的连续交互,这突显了当前阶段业务逻辑层仍有待突破的困境。在GPT进一步发展的同时，软件工程领域的提前理论性研究将会带来数百倍的回报。一种更高层的抽象模型将会是未来的主战场之一。