在人工智能的快速发展中，解决复杂的人工智能任务是智能移动网络中的关键技术。为了应对这一挑战，我们提出了系统性人工智能（SAI），它是一个利用大型语言模型（LLMs）和基于 JSON 格式意图的输入连接自设计的模型库和数据库来解决人工智能任务的框架。

Oct, 2023

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

通过开发新一代的 “Morescient” GAI 模型和相应的软件观测平台，该论文展示了如何根据开放科学原则构建、演进和传播这种同时理解软件语义和静态结构的生成型人工智能模型。

Jun, 2024

该研究介绍了一种新的机器学习模型生成方法，基于 agent-based system 的思想，可以通过并行计算和合作竞争的方式为多个图像分类任务生成和扩展多模块的深度学习模型。在针对每个数据样本进行的简单并行路由方法的训练下，可以提高组合解决方案的质量。

Feb, 2023

这篇综述性论文研究了 AI 代理实现的最新进展，重点关注它们在实现需要增强推理、规划和工具执行能力的复杂目标方面的能力。该研究的主要目标是：a) 传达现有 AI 代理实现的当前能力和局限性，b) 分享我们在实际运行这些系统中获得的见解，c) 提出 AI 代理设计未来发展的重要考虑因素。我们通过提供单一代理和多代理架构的概述，确定设计选择中的关键模式和差异，并评估它们对完成特定目标的总体影响，实现了这一目标。我们的贡献概述了在选择代理架构时的关键主题，领导对代理系统的影响，代理的沟通风格，以及规划、执行和反思的关键阶段，从而实现强大的 AI 代理系统。

Apr, 2024

MAgent 是一个高度可扩展和可定制的平台，支持多智能体强化学习任务和应用程序，并提供可观察和理解个体智能体行为和社会现象的功能，此演示以三个环境为例展示了从零开始学习的集体智能的表现。

Dec, 2017

本篇博士研究提出了一个有原则的多智能体系统 (MAS) 合作框架 —— 自适应群体系统 (SASS)，以弥合感知、通信、规划、执行、决策和学习之间的第四级自动化差距。

May, 2021

介绍了一种名为 SWE-agent 的自主系统，它使用一种语言模型与计算机进行交互解决软件工程任务。通过自定义的 agent-computer interface (ACI) 界面，SWE-agent 能够增强代理程序创建和编辑代码文件、浏览整个代码库和执行程序的能力。在 SWE-bench 上，与检索增强生成 (retrieval-augmented generation, RAG) 技术达到的 3.8% 相比，SWE-agent 能够解决 12.5% 的问题。研究还探讨了 ACI 设计对代理程序行为和性能的影响，并提供了有效设计的建议。

May, 2024

通过模块化的方法和新的抽象概念，提出了一种多智能体框架，使许多具有不同目标的贡献者能够共同开发和扩展智能系统，并异步使用和扩展模块化的智能系统。

Sep, 2022

利用大型语言模型（LLMs），自主代理在处理各种任务方面取得了显著改进。我们引入了一种基于树状代理结构的自组织代理系统（S-Agents），用于动态工作流程，采用 “沙漏代理结构” 的方式来平衡信息优先级，并通过 “非阻碍式协作” 方法实现代理之间的异步任务执行。我们的实验证明 S-Agent 能够在 Minecraft 环境中高效执行合作建筑任务和资源收集任务，并验证了它们的有效性。

Feb, 2024