MAO：一种基于多智能体协同的流程模型生成框架
通过动态生成并协调多个专门的代理来构建AI团队，AutoAgents框架为不同任务自适应地生成和协调多个专门的代理，结果表明它比现有的多代理方法产生更连贯和准确的解决方案，为解决复杂任务提供了新的视角。
Sep, 2023
介绍了一种名为Multi-Agent Assistant Code Generation（AgentCoder）的新方法，它使用专门的程序员代理、测试设计师代理和测试执行代理来协同生成代码，解决了代码生成和测试用例生成之间的平衡问题，并在实验中表现出优于现有模型的性能。
Dec, 2023
本文介绍了一种新颖的多智能体系统框架设计，利用大型语言模型（LLM）自动化数字孪生中的过程模拟参数化。我们提出了一个多智能体框架，包括观测、推理、决策和总结四种类型的智能体。通过启用LLM智能体与模拟模型之间的动态交互，该系统可以自动探索模拟的参数化，并使用启发式推理确定一组参数以控制模拟以实现目标。所提出的方法通过将LLM的启发式融入模拟模型，增强了模拟模型，并通过协助复杂的决策过程，增加了对用户的友好性并减轻了用户的认知负荷。通过案例研究证明了系统的有效性和功能，并在GitHub存储库中提供可视化演示。
May, 2024
为了解决现有机器学习基准缺乏用于评估企业流程管理（BPM）任务的深度和多样性的问题，研究人员提出了WONDERBREAD，这是评估多模态基础模型在超出自动化的BPM任务上的第一个基准。他们的研究发现，目前最先进的基础模型可以自动生成文档，但在验证工作流完成度方面存在困难。通过这项研究，他们希望鼓励开发更多“以人为中心”的企业应用人工智能工具，并进一步探索多模态基础模型在更广泛的BPM任务中的应用。
Jun, 2024
通过将大型语言模型（LLM）代理整合到自动化生产系统中，本文介绍了一种新颖的方法，旨在增强任务自动化和灵活性。我们通过基于自动化金字塔的层次框架对生产操作进行组织，将原子操作功能建模为微服务，并通过专用的数字孪生系统进行接口调用执行。这为编排生产过程提供了可扩展和灵活的基础。在数字孪生系统中，通过语义丰富化将低级硬件特定数据解释为可理解的生产规划和控制任务的LLM数据和知识。大型语言模型代理会被系统性地要求解释这些生产特定数据和知识，然后生成一个过程计划，该计划被分解为一系列原子操作，作为微服务在现实世界的自动化系统中执行。我们在实验室的自动化模块化生产设施上实施了本方法，并通过一个具体案例研究展示了LLMs如何处理生产规划和控制任务。这导致了具有更高水平的任务自动化和灵活性的直观生产设施。最后，我们揭示了实现大型语言模型在自治系统中的全部潜力的若干限制，并指出了有希望的优点。
Jul, 2024
自然语言工作流自动化生成框架AutoFlow可通过基于微调和基于上下文的方法，为大型语言模型和基于语言模型的人工智能代理生成可靠且鲁棒的工作流，为解决复杂任务提供了一种有前景的方法。
Jul, 2024
本研究解决了传统过程建模方法需要大量专家参与的问题，探索了一种高效和具有成本效益的自动建模方法。提出的MAO框架利用大语言模型和创新的提示策略，实现多代理之间的高效协作。实验结果显示，该框架生成的过程模型在四个数据集上优于现有方法，并在效率上超过手动建模。
Aug, 2024
本研究针对当前大型语言模型（LLMs）在复杂场景中的推理能力不足的问题，提出一种基于人工智能代理工作流（AgWf）的方法，以提升过程挖掘的有效性。通过将复杂任务分解为简单工作流并结合确定性工具与LLMs的领域知识，该研究展示了AgWf的多种实施方式与过程挖掘相关的案例，具有重要的应用潜力。
Aug, 2024
本文解决了现有数据集中缺乏复杂场景的问题，尤其是在处理改述查询、多语言支持和并行执行的情况下。研究提出了ProcessTBench合成数据集，旨在评估大型语言模型在流程挖掘框架中的能力，为研究LLM在不同条件下执行同一过程的典型行为和挑战提供了重要工具。
Sep, 2024