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

最近在大语言模型（LLMs）的研究中取得的进展使得研究人员和开发者能够构建自主语言代理，通过自然语言界面自动解决各种任务并与环境、人类和其他代理进行交互。我们认为语言代理是通向人工通用智能的有希望方向，并发布了 Agents 这一开源库，旨在将这些进展开放给更广泛的非专业人士。Agents 经过精心设计，支持诸多重要功能，包括规划、记忆、工具使用、多代理通信和精细化符号控制。Agents 非常用户友好，因为它使非专业人士能够在无需太多编码的情况下构建、定制、测试、调优和部署最先进的自主语言代理。该库也非常友好于研究，因为其模块化设计使其易于研究人员进行扩展。Agents 库可在此 https URL 上获取。

Sep, 2023

AutoGen 是一个新的框架，它允许使用多个可以相互对话解决任务的代理开发 LLM 应用程序。AutoGen 代理是可定制的、可对话的，并且可以无缝地允许人类参与。它们可以在使用 LLMs、人类输入和工具的各种模式下运行。AutoGen 的设计具有多个优点：a）它优雅地处理这些 LLMs 的强大但不完善的生成和推理能力；b）它利用人类的理解和智能，同时通过代理之间的对话提供有价值的自动化；c）它简化和统一了复杂的 LLM 工作流程的实现方式作为自动化代理聊天。我们提供了许多不同的例子，展示了开发人员如何轻松使用 AutoGen 有效解决任务或构建应用程序，范围从编码、数学、运筹学、娱乐、在线决策、问题回答等多个领域。

Aug, 2023

通过应用进化算法，EvoAgent 可以自动将专家代理扩展为多代理系统，从而提高基于大型语言模型的代理在解决任务中的效力。

Jun, 2024

AutoAct 是一个自动的代理学习框架，不依赖于大规模标注数据和闭源模型的合成轨迹。它通过自动合成规划轨迹和分工策略来实现多功能单一模型， 在不同的 LLMs 上获得比强基准更好或类似的性能。

Jan, 2024

本文提出了一种通过多智能体系统来增强大型语言模型（LLMs）能力的新框架，并通过人工智能领域的案例研究展示了这一框架的实用性和多样性。

Jun, 2023

最近大型语言模型 (LLM) 代理实现的自动代码生成取得了重要进展，但现有的单代理方法面对生成和改进大规模复杂代码库的限制，该论文提出了自组织多代理框架 (SoA)，这是一种新的多代理框架，能够实现大规模代码的可扩展和高效生成优化。在 SoA 中，自组织代理独立操作以生成和修改代码组件，并无缝协作构建整体代码库，其关键特点是根据问题复杂度自动增加代理数量，从而实现动态可扩展性，使得代码量可以无限增加，而每个代理管理的代码量保持恒定。该论文在 HumanEval 基准上评估了 SoA，并证明与单一代理系统相比，SoA 中的每个代理处理的代码显著减少，但生成的整体代码量大幅增加。此外，SoA 在 Pass@1 准确率方面超过了强大的单代理基准 5%。

Apr, 2024

利用大型语言模型（LLMs），自主代理在处理各种任务方面取得了显著改进。我们引入了一种基于树状代理结构的自组织代理系统（S-Agents），用于动态工作流程，采用 “沙漏代理结构” 的方式来平衡信息优先级，并通过 “非阻碍式协作” 方法实现代理之间的异步任务执行。我们的实验证明 S-Agent 能够在 Minecraft 环境中高效执行合作建筑任务和资源收集任务，并验证了它们的有效性。

Feb, 2024

基于大型语言模型的自主代理人在任务的广泛范围内实现了显著的改进。为了提高任务完成的效率和效果，我们提出了一个多代理人框架，并通过实验证明该框架能够有效地部署优于单个代理人的多代理人群体。在协同任务完成过程中，我们深入研究了群体中个体代理人之间社交行为的出现。基于这些行为，我们讨论了一些利用积极行为和缓解消极行为以提高多代理人群体的协作潜力的可能策略。

Aug, 2023

使用大型语言模型（LLMs）作为自主代理，简化多样真实世界图的学习过程，响应用户请求并生成数据自动解决方案，涉及图数据处理、自动机器学习配置、搜索架构和超参数微调。提出的 Auto$^2$Graph 方法在不同数据集和学习任务上展现可比较的性能，代理产生类似人类决策。

Sep, 2023