基于自适应大型语言模型(LLM)的多智能体系统
基于大型语言模型(LLM)的多智能体系统在复杂问题解决和世界模拟中取得了重大进展,我们提供了一份综述,深入讨论了基于 LLM 的多智能体系统的基本方面和挑战。
Jan, 2024
通过对基于大语言模型的自主代理的综合调查,本文提出了一个统一框架来概括以往研究,并总结了在社会科学、自然科学和工程领域中应用大语言模型的人工智能代理的各种应用及评估策略。同时,我们还讨论了该领域的挑战和未来方向。
Aug, 2023
大型语言模型(LLMs)正在改变人工智能,使得自主代理能够在不同领域执行多样化任务。这些代理具备类似人类的文本理解和生成能力,有望在从客户服务到医疗保健等各个领域引发革命。然而,它们面临着诸如多模态、人类价值取向、幻觉和评估等挑战。推动、推理、工具利用和上下文学习等技术正在被探索,以增强它们的功能。像 AgentBench、WebArena 和 ToolLLM 这样的评估平台为在复杂场景中评估这些代理提供了强大的方法。这些进展正在引领更加有韧性和能力的自主代理的发展,预计它们将成为我们数字生活中不可或缺的一部分,协助我们完成从邮件回复到疾病诊断等任务。拥有 LLMs 带头的人工智能的未来充满了希望。
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
基于大语言模型,提出了通过交流学习(LTC)的训练方法,使得代理人能够不断地通过与环境和其他代理的互动进行改进,通过三种结构化通信模式进行特定任务的学习,并在不同领域展现了 LTC 方法的多样性和效率。
Oct, 2023
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
传统制造业面临适应动态环境和快速响应制造变化的挑战。多智能体系统的使用提高了适应性和协调能力,但需要进一步发展快速理解人类指令、操作适应性和自然语言整合的能力。大型语言模型如 GPT-3.5 和 GPT-4 通过使智能体能够用自然语言进行沟通并解释人类指令来增强多智能体制造系统,从而使其更具适应性,并能够处理特定上下文的指令。一项案例研究展示了该框架的实际应用,显示智能体可以有效地沟通、理解任务和执行制造过程,包括智能体之间精确的 G 代码分配。研究结果凸显了将大型语言模型不断整合到多智能体制造系统中以及开发复杂智能体通信协议的重要性,以实现更灵活的制造系统。
Jun, 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