本文提出将大型语言模型（LLMs）融入多智能体系统（MASs）中来实现其自适应，并通过一个基于 MAS 的应用进行实践说明，从而为 MAS 的自适应提供新的范式。

Jul, 2023

大规模语言模型与基于代理的仿真的整合对于理解复杂社会系统具有变革潜力，本文探讨了系统开发 LLM 增强的社会仿真的架构和方法，并讨论了该领域的潜在研究方向。结论表明，将 LLM 与基于代理的仿真相结合为研究人员和科学家提供了强大的工具集，能够生成更细致、逼真和全面的复杂系统和人类行为模型。

May, 2024

通过提出一个简化的高级生成框架，我们旨在减轻设计和实现新代理的困难，该框架允许用户使用线性时态逻辑（LTL）指定期望的代理行为，并通过约束解码器确保产生的输出展现所需的行为，从而迅速设计、实施和尝试不同的以 LLM 为基础的代理，而不必考虑如何实现或执行。

Oct, 2023

本文提出了一种运行时验证（RV）方法，使用 JaCaMo 框架实现对多主体系统（MAS）的安全控制，以防止自然语言对话流程中的话题改变影响 MAS 的推理过程。并演示通过该方法可以帮助医院床位分配方面做决策。

Jul, 2022

本文提出了一个将大型语言模型（LLMs）、数字孪生和工业自动化系统相结合的新型框架，以实现生产过程的智能规划和控制，强调将 LLMs 集成到工业自动化系统中以实现更敏捷、灵活和自适应的生产流程的潜力并指出未来工作的关键见解和限制。

Apr, 2023

基于大语言模型的代理能力的研究及挑战，旨在促进多主体系统、自然语言处理和大语言模型研究领域的合作，以推动规范代理的发展。

Mar, 2024

该论文描述了一个灵活且模块化的平台，用于创建多模态交互式代理。该平台通过事件总线运作，不同的传感器和组件可以通过定义它们的输入和输出作为主题来集成，从而实现进一步解释的逻辑工作流程，该交互以多模态数据记录，并在所谓的情节知识图中记录。通过分析记录的交互，我们可以分析和比较不同的代理和代理组件。

Jun, 2022

该篇论文提出了一种名为 ``Formal-LLM'' 的新型框架用于基于 LLM 的代理，通过结合自然语言的表现力和形式语言的准确性，使规划过程具有控制性，从而防止代理生成无效和不成功的计划，并且通过实验验证了该框架在任务性能上取得的超过 50% 的整体性能提升，为在规划的有效性至关重要的应用场景中更广泛地利用 LLM 提供了可能性。

Feb, 2024

本文讨论了在 Markov 决策过程中，使用 LTL 的公式作为代理规划的规范，通过形成多目标优化问题，从 MDP 中演示的行为轨迹中推断 LTL 规范，利用遗传编程解决该问题的有效性进行了证明。

Oct, 2017

采用形式逻辑程序合成和大型语言模型生成内容相结合的方法，利用时态流逻辑生成一个自动机并在一定时间内对代理人施加时间结构，并将每个动作的细节留给大型语言模型，从而创建具有时间约束的生成代理人。

Feb, 2024