利用大型语言模型的集体优势，提出了一种基于多代理的混合方法，该方法在多个任务上取得了领先的性能，特别在 AlpacaEval 2.0 上实现了 65.1% 的得分，超过了 GPT-4 Omni 的 57.5%。

Jun, 2024

通过解决多智能体集群问题，研究了大型语言模型（LLMs）在空间推理和协作方面的挑战以及未来改进和研究方向。

Apr, 2024

通过多个代理的协作，链式代理（CoA）框架能够处理长上下文任务，凭借信息聚合和上下文推理，有效提升任务质量。

Jun, 2024

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

LATS 是一种将大型语言模型（LLMs）能力融合于规划、行动和推理的通用框架，具备外部反馈的环境、超越现有技术限制的思考和适应性的问题解决机制，实现了在各种领域中的推理和行动的应用性。

Oct, 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

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

使用大型语言模型（LLMs）而无需微调，在金融情感分析（FSA）中设计了一个基于异构 LLM 代理的设计框架，该框架在涉及大量讨论时能够获得更高的准确性，为 LLMs 的基于 FSA 的设计奠定了基础并开辟了新的途径。

Jan, 2024

这篇论文介绍了一种使用大型语言模型（LLM）融入到代理框架中的创新方法，用于灵活高效的个性化移动生成，并重点解决了将 LLMs 与现实世界的城市移动数据对接的三个研究问题：将 LLMs 与丰富的活动数据对接、开发可靠的活动生成策略以及探索 LLMs 在城市移动中的应用。

Feb, 2024

本文旨在开发一个能够根据视觉信息来执行任务的框架，以响应自然语言指令进行带有物体接地的取物和搬运（FCOG）任务。为了解决现有框架的局限性，我们提出了一个完全自动化生成、执行和评估 FCOG 任务的框架，并引入了将任务划分为四个不同子任务的方法。

Nov, 2023