本研究提出了 GameGPT,一个多智能体协作框架,以自动化游戏开发。通过双重协作和分层方法,并应用多种内部词汇表,在规划、任务识别和实施阶段缓解幻觉和冗余问题。此外,还引入了一种解耦方法,以实现更精确的代码生成。
Oct, 2023
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
通过创新的自动协作框架,借鉴实际机器人开发者的经验,利用多个大型语言模型在分析、编程和测试等不同角色中合作,深入挖掘用户需求、生成精确代码,并根据用户反馈调整参数以实现复杂的机器人开发任务,无需专业知识,仅依靠非专家参与。
Feb, 2024
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
我们的研究关注于自然语言驱动的环境中的多代理协作问题,通过对 LLM 代理的研究,我们发现了 LLM 代理在团队协作中的潜力,并指出了与交流中的幻觉相关的问题。为了解决这个问题,我们开发了 CodeAct,一种具备增强记忆和代码驱动推理功能的通用代理,使其能够再利用部分信息以快速适应新团队成员。
Dec, 2023
通过设计一个块世界环境,在这个环境中,两个拥有独特目标和技能的语言代理需要通过行动和自然语言交流合作来建立一个目标结构,并采用中间推理步骤来模拟合作者的状态并识别和纠正执行错误,最终的实验结果表明语言代理具有很强的基础能力,并且我们的方法显著改进了评估指标。
Mar, 2024
基于大型语言模型的人机协作研究旨在解决 LLM 智能代理在适应动态环境和完全理解人类需求方面的不足,在此工作中,我们介绍了复杂任务解决中基于 LLM 的人机协作问题,并提出了一种基于强化学习的人机协作方法 ReHAC,该方法通过策略模型确定人类干预的最佳时机,为此我们构建了一个供离线强化学习环境训练该策略模型的人机协作数据集,验证测试结果证实了模型的有效性,研究结果表明,人类和 LLM 智能代理的协同努力通过精心计划的有限人类干预显著提高了复杂任务的性能。数据集和代码可在此链接获取:this https URL
本文探讨了基于多代理系统理论(SMA)与大型语言模型(LLM)的计算实体的动态影响,这些实体的特点是能够模拟复杂的人类互动,作为一种从使用专门的人工代理支持运营业务流程到基于应用知识和人类编排的战略决策的革命可能性。我们展示了利用基于大型语言模型(LLM)的代理开发,通过考虑行为元素并由策略驱动,从而刺激基于使用案例在商业场景中生成知识的能力,利用代理之间的讨论方法(引导式对话),为组织战略提供潜力,基于多代理系统理论(SMA)和创新的大型语言模型(LLM)的应用,为不同的应用、复杂性、领域和 LLM 的能力提供了一种不同和可适应的实验。
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
使用经验共同学习的新框架,充实以往经验,使大语言模型(LLMs)和自主代理能够更高效地处理未知任务。