Sep, 2024

基于LLM的代理统一建模框架：实现多主动/被动核心代理的无缝集成

HTML
PDF
TL;DR本研究针对缺乏模块化的多种代理集成问题，提出LLM-Agent-UMF框架，以统一软件架构和功能定义，明确代理组件的边界。该框架通过区分核心代理和工具的不同角色，建立了合适的代理内部分结构分类，推动了多核心代理的不同体系结构的构建，强调了安全性等之前被忽视的模块的重要性。
发现论文，激发创造
  • 多智能体协作: 发挥智能 LLM 代理的力量

    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

  • 基于大型语言模型的自主代理的调查

    通过对基于大语言模型的自主代理的综合调查，本文提出了一个统一框架来概括以往研究，并总结了在社会科学、自然科学和工程领域中应用大语言模型的人工智能代理的各种应用及评估策略。同时，我们还讨论了该领域的挑战和未来方向。

    Aug, 2023

  • 平衡自治和协调：基于多维度的多智能体架构自主型LLM动力的分类

    本文提出了一个多维分类法，旨在分析自主的LLM驱动的多智能体系统在根据建筑观点的各个方面（如目标驱动的任务管理、智能体组成、多智能体协作和上下文交互）之间如何平衡自主性和对齐的动态相互作用。它还包括一个指定基本建筑概念的领域本体模型。我们的分类法旨在使研究人员、工程师和AI从业者能够系统地分析这些日益普遍的AI系统所采用的建筑动态和平衡策略。所选择的代表性LLM驱动的多智能体系统的探索性分类说明了它的实际效用，并揭示了未来研究和开发的潜力。

    Oct, 2023

  • LLM基于代理的高层行为的形式化规范

    通过提出一个简化的高级生成框架，我们旨在减轻设计和实现新代理的困难，该框架允许用户使用线性时态逻辑（LTL）指定期望的代理行为，并通过约束解码器确保产生的输出展现所需的行为，从而迅速设计、实施和尝试不同的以LLM为基础的代理，而不必考虑如何实现或执行。

    Oct, 2023

  • 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

  • 基于大型语言模型的多智能体系统：进展与挑战综述

    基于大型语言模型（LLM）的多智能体系统在复杂问题解决和世界模拟中取得了重大进展，我们提供了一份综述，深入讨论了基于LLM的多智能体系统的基本方面和挑战。

    Jan, 2024

  • 基于大型语言模型的代理人的记忆机制调查

    大型语言模型（LLM）基于代理近年来引起了研究和行业界的广泛关注。本文提出了对LLM基于代理的记忆机制进行全面调查，包括记忆的定义、需要、设计、评估以及在代理应用中的重要作用，并分析了现有工作的局限性和未来方向。

    Apr, 2024

  • 从大型语言模型到基于大型语言模型的软件工程代理：当前挑战和未来展望的综述

    本研究解决了大型语言模型（LLMs）与基于LLMs的代理之间的区别不明确的问题。通过对软件工程中LLMs和LLM-based代理的应用进行广泛调查，论文总结了六个关键主题，并对它们的效果和应用进行了全面分析。研究结果为推动软件工程中基于LLMs的代理的未来研究提供了重要思路。

    Aug, 2024

  • 基于大型语言模型的软件工程代理：一项综述

    本研究针对大型语言模型（LLMs）在软件工程领域的应用现状进行综述，通过整合外部资源和工具，大幅提升了LLM的能力。研究表明，基于LLM的代理可以有效应对复杂的现实软件工程问题，并为未来的研究方向提供了新的思路。

    Sep, 2024

  • 软件工程中的智能体：调查、现状与展望

    本研究解决了大型语言模型（LLMs）与软件工程（SE）结合的文献缺失问题，首次对相关研究进行了深入调查，构建了一个包含感知、记忆和行动三个关键模块的LLM基础智能体框架。研究总结了当前面临的挑战，并提出了应对这些挑战的未来机会，具有重要的指导意义。

    Sep, 2024