多智能体协作:发挥智能 LLM 代理的力量
对基于大型语言模型(LLM)的智能代理进行了深入调查,涵盖了单代理和多代理系统中的定义、研究框架、组成、认知和规划方法、工具利用、对环境反馈的响应,以及在多代理系统中部署 LLM-based 代理的机制,包括多角色协作、信息传递和缓解代理之间通信问题的策略,同时介绍了流行的数据集和应用场景,最后展望了基于 LLM 的代理在人工智能和自然语言处理领域的前景。
Jan, 2024
设计了一个灵活的智能体工程框架,着重规划和执行,适用于多个领域的复杂应用,提供可靠性的工业应用,并提出了确保多个自主智能体共同解决任务的可扩展、灵活和协作式工作流技术。
Jun, 2024
我们提出了一种新型基础设施,名为 MindAgent,用于评估游戏交互中的规划和协调能力,并引入了新的游戏场景和相关基准,以评估多智能体协作效率。我们使用新的自动度量 CoS 进行全面评估。我们希望我们对大型语言语料库学习的 LLMs 以及用于通用调度和协调的新基础设施的发现能够揭示如何获取这些技能的一些见解。
Sep, 2023
论文提出了一种新的基于大型语言模型的多智能体合作框架,在多种身体环境中测试并得到了良好的效果,其具备规划、沟通和与其他人类或智能体合作完成长期任务等能力,并且与人类沟通的模型更容易获得信任,这为未来的智能体合作研究奠定了基础。
Jul, 2023
这项研究介绍了一个专门用于评估大型语言模型在多主体环境中能力的基准测试框架,通过游戏和博弈论场景来创建不同的测试环境,并利用概率图模型方法增强模型的导航能力,最终量化评估了七种不同大型语言模型的能力,发现最强模型 GPT-4 和最弱模型 Llama-2-70B 之间存在三倍的能力差距,同时证实了概率图模型增强了所有模型的能力,平均提高了 50%。
Nov, 2023
本研究提出了 GameGPT,一个多智能体协作框架,以自动化游戏开发。通过双重协作和分层方法,并应用多种内部词汇表,在规划、任务识别和实施阶段缓解幻觉和冗余问题。此外,还引入了一种解耦方法,以实现更精确的代码生成。
Oct, 2023
利用 LLMs 在复杂的电脑游戏环境中赋予游戏智能体人类般的决策能力,以推进人工智能 (AGI) 的发展,并提供了 LLM 基础的游戏智能体的综述,包括感知、记忆、思考、角色扮演、行动和学习的六个关键组成部分,调研了六种游戏类型的现有代表性 LLM 基础游戏智能体,并展望了未来的研究和发展方向。
Apr, 2024
本文探讨了基于多代理系统理论(SMA)与大型语言模型(LLM)的计算实体的动态影响,这些实体的特点是能够模拟复杂的人类互动,作为一种从使用专门的人工代理支持运营业务流程到基于应用知识和人类编排的战略决策的革命可能性。我们展示了利用基于大型语言模型(LLM)的代理开发,通过考虑行为元素并由策略驱动,从而刺激基于使用案例在商业场景中生成知识的能力,利用代理之间的讨论方法(引导式对话),为组织战略提供潜力,基于多代理系统理论(SMA)和创新的大型语言模型(LLM)的应用,为不同的应用、复杂性、领域和 LLM 的能力提供了一种不同和可适应的实验。
Mar, 2024
大型语言模型的出现催生了自然语言处理的重大进展,通过引入专业代理框架(PAgents)利用 LLM 的能力创建具有可控、专业级、互动型专长的自主代理,我们认为通过持续发展的专业知识,PAgents 可以重塑专业服务。本文旨在激发关于 LLM 的有前景的现实应用的讨论,我们认为 PAgents 的日益复杂和集成可能会导致人工智能系统在复杂领域展示专业掌握能力,服务于重要需求,并潜在地实现人工通用智能。
Feb, 2024