可优化的图形语言代理

Feb, 2024

Language Agents as Optimizable Graphs

Mingchen Zhuge, Wenyi Wang, Louis Kirsch, Francesco Faccio, Dmitrii Khizbullin...

TL;DR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。

Abstract

Various human-designed prompt engineering techniques have been proposed to improve problem solvers based on large language models (LLMs), yielding many disparate code bases. We unify these approaches by describin

prompt engineering techniques large language models computational graphs automatic graph optimizers llm agents

发现论文，激发创造

输入条件的语言代理图生成

基于大型语言模型的语言代理，使用图形框架构建的动态学习方法，通过强化学习进行微调，能够根据给定的输入生成内部通信表示，实现较高的准确率。

Jun, 2024

语言模型是否能够用自然语言解决图问题？

NLGraph is a benchmark for large language models to solve graph-based problems in natural language, where two instruction-based approaches - Build-a-Graph Prompting and Algorithmic Prompting - are proposed, improving the LLMs' performance by 3.07% to 16.85% across multiple tasks and settings.

May, 2023

基于 LLM 的自主代理通过图学习释放力量

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

我们能否将软提示应用于图学习任务的 LLM？

通过 GraphPrompter 框架，将 Large Language Models（LLMs）与图形模态对齐，实现了 LLMs 在图相关任务中的重要性和效果。

Feb, 2024

自然语言就是图的应有之义

我们提出了 InstructGLM（指导调整的图语言模型），基于自然语言说明系统地设计高度可扩展的提示，使用自然语言描述图的几何结构和节点特征，通过指导调优语言模型以一种生成方式在图上执行学习和推理，超过了所有竞争的 GNN 基准数据集，证明了我们方法的有效性，并为将生成语言模型替代 GNN 作为图机器学习的基础模型提供了启示。

Aug, 2023

图上的大型语言模型：综合调查

通过对大型语言模型在图形上的应用的详细技术和潜在场景进行系统回顾，我们总结了大型语言模型在纯图、文本丰富图和文本配对图中的优缺点，并讨论了其在真实世界应用中的方法以及开源代码和基准数据集。最后，我们提出了这一快速发展领域的潜在未来研究方向。

Dec, 2023

大规模语言模型代理的自动提示工程规划

在这篇论文中，我们提出了一种名为 RePrompt 的新方法，通过从与 LLM 代理的交互中获取的聊天记录，逐步优化 LLM 代理的提示，从而使 LLM 在特定领域中学会规划，我们在 PDDL 生成和旅行规划的实验中证明了我们的方法可以提高不同推理任务的性能。

Jun, 2024

AgentKit: 使用图形工具进行流程工程，无需编码

我们提出了一种直观的 LLM 提示框架（AgentKit），用于多功能代理。AgentKit 提供了一个统一的框架，可以从简单的自然语言提示明确地构建复杂的 “思考过程”。

Apr, 2024

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

将图形与大型语言模型融合：方法与前景

大型语言模型与图结构化数据的集成可以通过增强现有图算法和作为预测模型来提升性能，同时结合图结构可以在各种复杂任务中显著改善大型语言模型的表现。

Oct, 2023