提出了一种基于规则和传统的分离表示学习框架，能够使 AI 代理快速适应新的任务和伙伴，从而实现零 - shot 协调。

Apr, 2021

该研究介绍了使用大型语言模型在多智能体协调方面的有效性评估，构建了 LLM-Co 框架来使 LLMs 能够进行协调游戏，并展示了 LLMs 在不同方面的评估结果，从而强调了 LLMs 在复杂协调环境中的潜力。

Oct, 2023

在缺乏高质量人类行为数据的情况下，使用预训练的大型语言模型生成人类语言指令的先验策略并规范化强化学习目标可以帮助人工智能代理与人类协作，并在多智能体强化学习问题中实现人工智能代理与人类偏好一致的均衡解。案例中验证了该框架的有效性。

Apr, 2023

AI agents using Large Language Models (LLMs) have revolutionized human-AI coordination in various tasks, but their high inference latency makes them unsuitable for real-time applications; this paper proposes a Hierarchical Language Agent (HLA) that combines a proficient LLM, a lightweight LLM, and a reactive policy to provide strong reasoning abilities in real-time execution, showcasing superior cooperation abilities, faster responses, and more consistent language communications compared to other agents.

Dec, 2023

研究表明，当自主算法如自我博弈和基于群体的训练算法用于训练智能体时，智能体往往只能与自己合作，而不能与人类合作。本文在一个类似于烹饪过程的环境中设计了几个智能体，以展示他们在与人类协作方面的表现，并探讨了更好协作的设计方法。

Oct, 2019

研究如何使用自然语言来协同解决物理装配问题，结果表明，参与者通过使用更高级别的指称表达逐渐提供越来越简洁的指示，从而达成了共享过程中的概念抽象，这为智能体之间的共同程序化抽象的协调提供了归纳偏见的启示。

Jun, 2021

应用大型语言模型（LLMs）在各种任务和社会模拟中取得了显著进展，但它们在任务导向的社会背景中的协调能力尚未得到充分探索。为了弥合这一差距，我们引入了协作生成代理，为基于 LLMs 的代理赋予一致的行为模式和解决任务的能力。我们将这些代理置于一个模拟的招聘会环境中进行案例研究，以审查它们的协调能力。我们提出了一个新颖的框架，赋予协作生成代理人类般的推理能力和专业技能。我们的评估结果表明，这些代理显示出有希望的性能。然而，我们也发现了限制，阻碍了它们在更复杂的协调任务中的效果。我们的工作对于 LLMs 在任务导向的社会模拟中的作用和发展提供了有价值的见解。

Oct, 2023

探究网络结构对学习算法利用语义关系的倾向性，发现基于注意力机制构建的网络结构在零样本协调任务中具有更好的归纳偏好，并经过精细的评估和场景分析，证明了这种策略是可解释的， 并且这样的智能体在没有训练任何人类数据的情况下就能够与人类协调一致。

Jan, 2022

探索人类沟通策略以设计更加能理解和与用户意图对齐的人工智能系统，以实现人类中心的人工智能系统。

May, 2024

提出和评估一种新颖的方法，在不依赖任何存储数据或预训练的情况下，在 LLM 代理之间进行知识蒸馏，以实时保留人类角色扮演中的独特语境，并评估我们的系统在模拟的真实世界任务中表现更好。

Mar, 2024