Oct, 2023

动态LLM-Agent网络：一种具有代理团队优化的LLM-agent协作框架

HTML
PDF
TL;DR基于任务查询构建动态交互结构的大型语言模型代理网络（DyLAN）在推理和代码生成任务中展现出良好性能，使用无监督度量的自动代理团队优化算法根据每个代理的贡献选择最佳代理，相较于GPT-35-turbo的单次执行，DyLAN在MATH和HumanEval任务上分别实现了13.0%和13.3%的改进，并在MMLU特定主题上提高了25.0%的准确率。
发现论文，激发创造
  • 基于大型语言模型的自主代理的调查

    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

  • LLM基于代理的高层行为的形式化规范

    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

  • 探索基于大型语言模型的智能代理：定义、方法与前景

    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

  • 基于大型语言模型的多智能体系统：进展与挑战综述

    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

  • 可优化的图形语言代理

    人工设计的提示工程技术已经被提出来改善基于大型语言模型的问题解决方法，通过以计算图的形式来描述基于LLM的代理人，实现多模态数据处理或查询LLMs，优化节点级别的LLM提示（节点优化）和改进代理人编排（边优化），该框架能够高效地开发、整合和自动改进各种LLM代理人。

    Feb, 2024

  • AgentQuest: 一个模块化的基准测试框架，用于衡量和提升LLM代理的进展

    通过构建可扩展的模块化基准和评估指标，提出了AgentQuest框架用于追踪和改进大规模语言模型代理在解决复杂多步骤推理任务中的性能。

    Apr, 2024

  • 迈向高效的LLM对实体多智能体协作的隶属

    通过引入增强优势反馈（ReAd）的多智能体协作模型，我们提出了一种新的用于解决复杂物理世界中大型语言模型（LLMs）推理能力的框架，该框架通过对LLM计划数据进行评论回归来学习顺序优势函数，并将LLM规划器视为最优化器生成最大化优势函数的行动，从而为LLM赋予了能够判断行动是否有助于完成最终任务的远见。

    May, 2024

  • 面向语言模型代理的自适应对话团队建设

    通过多个大型语言模型代理，我们提出了一种新的自适应团队构建范式，其中使用名为Captain Agent的新型代理设计来动态形成和管理任务求解过程中的团队。在六个真实场景的全面评估中，Captain Agent的平均准确率提高了21.94%，无需特定任务提示工程，表现出色且具有灵活的结构化问题解决方法。

    May, 2024

  • AgentSquare：模块化设计空间中的自动 LLM 代理搜索

    本研究解决了当前 LLM 代理设计依赖于手动且任务特定设计的局限性，提出了模块化 LLM 代理搜索（MoLAS）问题。通过构建一个统一接口的模块化设计空间及提出新颖的 AgentSquare 搜索框架，我们实现了优化 LLM 代理的自动搜索，实验表明其性能优于人工设计，平均提升17.2%。

    Oct, 2024

  • Optima：优化基于大型语言模型的多智能体系统的有效性与效率

    本研究解决了基于大型语言模型的多智能体系统在通信效率、可扩展性和参数更新优化方法上的关键挑战。提出的Optima框架通过迭代生成、排序、选择和训练的方式，显著提升了通信效率和任务有效性。实验结果表明，Optima在多智能体任务中取得了一致显著的性能提升，具有广阔的应用前景。

    Oct, 2024