A Survey on Large Language Model based Autonomous Agents

已于 2024-03-08 11:35:24 修改
阅读量1.2k 收藏 1
点赞数
CC 4.0 BY-SA版权
分类专栏： Survey Paper LLM Agent 文章标签： 语言模型 人工智能 自然语言处理
于 2023-08-28 14:29:03 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/c_cpp_csharp/article/details/132537219
Survey Paper 同时被 3 个专栏收录
264 篇文章 ¥99.90 ¥299.90
订阅专栏 超级会员免费看
LLM 日更
828 篇文章

已下架不支持订阅

LLM Agent
88 篇文章
订阅专栏
本文详述了基于大型语言模型（LLM）的自动代理的构建、应用和评估，探讨了角色扮演能力、人对齐、提示鲁棒性、幻觉、知识边界和效率等挑战。研究了如何利用LLM在社会科学、自然科学和工程领域的应用，并提出未来的研究方向。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

本文是LLM系列的文章，针对《A Survey on Large Language Model based Autonomous Agents》的翻译。

基于大模型的自动agents综述

摘要

自动代理一直是学术界的一个突出研究课题。该领域先前的研究通常集中在孤立环境中训练知识有限的智能体，这与人类的学习过程有很大差异，从而使智能体难以实现类似人类的决策。最近，通过获取大量的网络知识，大型语言模型（LLM）在实现人类水平的智能方面表现出了巨大的潜力。这引发了研究基于LLM的自动代理的热潮。为了充分利用LLM的潜力，研究人员设计了适合不同应用的不同代理架构。在本文中，我们对这些研究进行了全面的调查，从整体的角度对自动智能体领域进行了系统的回顾。更具体地说，我们的重点在于构建基于LLM的代理，为此我们提出了一个统一的框架，该框架包含了以前的大部分工作。此外，我们还总结了基于LLM的人工智能代理在社会科学、自然科学和工程领域的各种应用。最后，我们讨论了基于LLM的人工智能代理常用的评估策略。在前人研究的基础上，我们还提出了该领域的一些挑战和未来方向。为了跟踪该领域并不断更新我们的调查，我们维护了一个库用于相关参考文献https://github.com/Paitesanshi/LLM-Agent-Survey.

1 引言

2 基于LLM的自动代理构建

3 基于LLM的自动代理应用

了解本专栏 订阅专栏 解锁全文 超级会员免费看
《A Survey on Large Language Model based AutonomousAgents》论文解读
轻口味的专栏
04-26 73
从早期的规则引擎到如今的LLM驱动，自主代理的进化本质上是人工智能从"特定任务执行者"向"通用问题解决者"的跃迁。当前，技术突破与落地实践正形成双向驱动：一方面，角色配置的精细化、记忆规划的智能化推动代理在科研、工业等领域实现刚需级应用；另一方面，复杂场景的真实需求反哺技术创新，催生更鲁棒的架构设计与评估体系。未来，随着多模态融合、终身学习等技术的成熟，代理将从单一工具升级为"数字伙伴"，在教育、医疗、创意设计等领域构建全新的人机协作范式。
基于大语言模型的自治代理综述 《A Survey on Large Language Model based Autonomous Agents》
AI天才研究院
11-17 501
这本书是《大语言模型驱动的自主代理综述》。该文旨在对大型语言模型（LLM）驱动的自主代理进行系统性综述，探讨其构建、应用和评价等方面的问题。该文首先介绍了自主代理的研究意义和挑战，然后详细讨论了LLM自主代理的构建、应用和评价方面。在构建方面，文章提出了统一的代理框架，包括profiling、memory、planning和action四个模块。在应用方面，文章介绍了LLM自主代理在社会科学、自然科学和工程领域的应用。最后，在评价方面，文章讨论了LLM自主代理的评价策略和挑战。
【论文精读】A Survey on Large Language Model based Autonomous Agents
HERODING23的博客
01-03 3369
一篇来自人大高瓴的综述，详细介绍了基于LLM的智能体的发展和应用，以及对未来的预测。作为AI当前最火的领域，智能体上手容易，操作简单，本质上就是框架+prompt，但是其效果惊艳，能够完成很多LLM无法完成的简单任务，其在未来一定大有可为。PaperCodeFrom自主智能体一直都是学术界和工业界的重点研究焦点。先前的研究关注于具有有限知识的智能体在隔绝环境下的训练，这与人类学习方式大相径庭，因此很难像人类一样做决策。最近，LLMs通过获取的丰富web知识，在完成人类等级只能上展现出非凡的潜力。
[论文精读]Agent综述—— A survey on large language model based autonomous agents
m0_69281817的博客
04-30 1485
长期以来，自主agent一直是学术和行业社区的研究重点。先前的研究通常集中于在孤立环境中用有限的知识训练agent，这与人类的学习过程显着不同，并使agent难以实现类似人类的决策。最近，通过获取大量的Web知识，大型语言模型（LLM）在人类水平的智能中已经显示出潜力，从而导致对基于LLM的自主agent的研究激增。在本文中，我们对这些研究进行了全面的调查，从整体的角度对基于LLM的自主agent进行了系统评价。
A Survey on Large Language Model based Autonomous Agents（大语言模型智能代理综述）
qq_46094659的博客
02-20 2726
先前自主代理的研究通常侧重于在孤立的环境中训练知识有限的智能体，这与人类的学习过程存在很大差异，从而使智能体难以实现类似人类的决策。最近，通过获取大量网络知识，大型语言模型（LLM）在实现人类水平的智能方面表现出了巨大的潜力。这引发了对基于LLM的自主代理的研究热潮。论文对这些研究进行了全面的调查，从整体角度对基于LLM的自主代理领域进行了系统回顾。更具体地说，论文首先讨论基于 LLM 的自主代理的构建，为此论文提出了一个包含大部分先前工作的统一框架。
A Survey on Large Language Model based Autonomous Agents（基于大语言模型的Agent研究综述）
m0_59402094的博客
04-25 2110
一篇来自人大高瓴研究院的综述，详细介绍了基于LLM的智能体的发展和应用，以及对未来的预测。作为AI当前最火的领域，智能体本质上就是框架+prompt，但是其效果惊艳，能够完成很多LLM无法完成的简单任务，其在未来一定大有可为。
基于大语言模型的自主智体
yorkhunter的博客
05-21 1216
23年8月份中国人民大学刚刚给的综述论文“A Survey on Large Language Model based Autonomous Agents“，把大语言模型作为自主智体的工作调研，基本是具身智能（Embodied AI）的范畴。
The Rise and Potential of Large Language Model Based Agents: A Survey 中文翻译
qq_41527980的博客
01-29 2256
长期以来，人类一直追求与或超越人类水平的人工智能（AI），而人工智能代理被视为实现这一目标的有希望的方式。人工智能代理是感知环境、做出决策并采取行动的人工实体。已经有很多关于开发智能代理的努力，但它们主要集中在算法或训练策略方面的改进，以提高特定任务的能力或性能。实际上，社区缺乏一个通用且强大的模型，可以作为设计适应各种情况的人工智能代理的起点。由于它们所展示的各种能力，大型语言模型（LLMs）被认为是人工通用智能（AGI）的潜在火花来源，并为构建通用人工智能代理提供了希望。
8月热门论文丨AI Agent会是大模型的未来发展方向吗？
AITIME_HY的博客
09-06 516
点击蓝字关注我们AI TIME欢迎每一位AI爱好者的加入！以下内容来源于AMiner科技过去的8月，如果让我用一个词来总结，那就是“Agent”!大模型的下半场已经拉开序幕，大厂们都纷纷表态入局“Agent”。OpenAI创始成员Andrej Karpathy表示相比大模型，OpenAI内部目前已经关注Agent领域，亚马逊也宣布了Amazon Bedrock Agents新功能，而更早之前的斯坦...
大模型Agent最新论文及源码合集，覆盖构建、应用、评估
学姐带你玩AI的博客
10-17 2904
人们对于通用人工智能（AGI）的追求可以追溯到1950 年代中期，当时的AI研究者对机器拥有人类思维能力抱有很高的期望，但是随着研究的深入，他们发现想实现这个目标比最初设想的困难许多。到如今，AGI仍然有很长的路要走。不过值得高兴的是，在今年的各大顶会中，有关自主智能体的研究有了许多突破性进展，以往困扰AI Agent研究者的社会交互性和智能性问题都随着大语言模型（LLM）的发展有了新的解决方向。为方便大家了解AI Agent领域的最新研究进展，我这回整理了需要论文及源代码的同学看文末。
大模型（LLM）精选42篇论文及开源代码汇总
学姐带你玩AI的博客
08-29 4342
在今年各大顶会的获奖论文中，大模型方向屡战头筹，这不难预料，自OpenAI发布ChatGPT至今，全球大模型热潮尚未停息，国内外已有相当多的大模型陆续出现，有些大模型的功能甚至不输ChatGPT。在大模型“封神”的这段时间，相关的论文数量也十分吓人，我也拜读了不少优秀的作品，今天就精选了部分论文来和大家分享。目前整理了42篇大模型论文，论文原文以及开源代码也都一并打包了，需要的资源包的同学文末领取。
LLM论文周报｜来自Meta AI、浙江大学、清华大学、苏黎世联邦理工学院等机构前沿论文研究
AI_Conf的博客
08-28 464
他们还引入了一些自己的设计，特别是一种新的截断策略，用于修改位置编码的基础。在本文中，我们对文献进行了系统性的回顾，包括 IT 的一般方法论，IT 数据的构建，IT 模型的训练，以及在不同模式、领域和应用中的应用，同时还分析了影响 IT 结果的方面（例如，指令输出的生成，指令数据集的大小等）。2022年底，OpenAI 推出的基于 GPT-3.5 的大型语言模型 ChatGPT，由于其优秀的表现，ChatGPT 及其背后的大型语言模型迅速成为人工智能领域的热门话题，吸引了广大科研人员和开发者的关注和参与。
从NeurIPS2023速览大语言模型智能体最新研究进展
Kaiyuan_sjtu的博客
10-11 684
引言长期以来，自主代理一直是学术界和工业界的一个突出研究重点。该领域的先前研究通常集中在孤立环境中训练知识有限的代理，这与人类的学习过程有很大不同，因此代理难以实现类似人类的决策。最近，通过获取大量的网络知识，大型语言模型（LLM）在实现人类水平的智能方面显示出显着的潜力。这引发了基于LLM的自主代理的研究热潮。本文将通过NIPS2023录用的22篇相关论文来速览大语言模型智能体的最新研究进展。本...
A Survey on Large Language Model based AutonomousAgents（论文笔记）
2403_87703338的博客
03-15 668
18。
论文阅读 A Survey of Large Language Models 2
赫凯的博客
04-05 1241
其中，使用LM目标进行预训练似乎可以实现优越的零样本和少样本泛化能力。通过扩展模型大小、数据集大小和总计算量，可以大幅提高随意解码器的性能。由于对编码器-解码器模型的详细调查仍不足，需要更多的研究来分析架构和预训练任务的选择如何影响LLM的能力，特别是对于编码器-解码器架构。除了主要架构外，LLM的详细配置也值得关注。
【论文阅读 | TIV 2024 | CDC-YOLOFusion：利用跨尺度动态卷积融合实现可见光-红外目标检测】
最新发布
berling00的博客
07-22 1071
题目：CDC-YOLOFusion: Leveraging Cross-scale Dynamic Convolution Fusion for Visible-Infrared Object Detection期刊：IEEE Transactions on Intelligent Vehicles （TIV）论文：paper代码：code年份：2024由于能够深入挖掘可见光和红外特征，特征级融合方法在可见光 - 红外目标检测中表现出优异的性能。然而，大多数现有的特征级融合方法利用多个具有固定参数的卷积层来
Action模块解析主流的另外一种Agent架构？案例分析：华为诺亚的盘古Agent主流的多智能体有哪些？【本文摘录自清华大学出版社：《深度学习和大模型原理与实践》】，各网站有销售，京东地址：https://item.jd.com/10130571131098.html研究内容：基于大型语言模型（LLM）的Agent的架构Agent定义Agent是什么？Agent是一种能够自主决策、采取行动以达到某种目标的实体。AI Agent的确定义：基于人工智能（尤其是大模型）技术，能够感知和理解环境，并采取行动以完成目标的智能实体。Agent能干什么？AI Agent 主要依托LLM模型和具体的业务场景来调用相应的工具来完成任务目标，智能化程度和行业贴合度会更明显。典型案例有什么？智能核保应用，如果解决方案搭载AI Agent能力，Agent具体工作：1）能自动识别业务需求，调用OCR信息抽取和结构化管理；2）构建核保决策模型；3）联合出保及费率管理等模块，快速完成核保目标。Agent和大模型LLM有什么关系？对于大模型和AI Agent 的关系，说法有很多，但总结下来我们可以得出三点：1）AI Agent 以大模型技术为驱动，大模型以AI Agent 为业务触手。2）不同的大模型应用行业应用，往往会催生不同的AI Agent。3）两者相辅相成、相得益彰，共同拓展着AI的应用边界和通用能力。总结，大模型 + 插件 + 执行流程 = Agent，图解如下： 论文地址：https://browse.arxiv.org/pdf/2308.11432.pdfA Survey on Large Language Model based Autonomous Agents本论文的Agent一种架构是什么？
03-09
### 基于大型语言模型（LLM）的Agent架构解析 #### Agent 架构概述 在现代人工智能领域，构建具备广泛适用性的智能体（Agent），尤其是那些可以执行多种任务并适应不同环境条件下的工作流程成为研究热点之一。为了实现这一目标，研究人员不仅依赖于强大的计算资源，还通过引入结构化推理机制和利用先验知识来增强智能体的能力[^2]。 #### 华为诺亚盘古Agent的特点 华为诺亚实验室推出的盘古Agent融合了先进的自然语言处理技术和多模态感知能力，旨在创建更加灵活高效的自动化解决方案。该平台支持调用语音生成、图像识别等多种类型的专家子系统，从而形成一个多维度交互界面，使机器能够在更复杂的场景下完成指定操作或提供服务[^1]。 #### 多智能体系统中的角色定位 当多个这样的高级别代理被集成到一起构成所谓的“多智能体系统”时，则可进一步提升整体性能表现。这些个体之间可以通过协作交流共享信息，在面对大规模数据集或者需要分布式决策的情况下展现出独特优势。例如，在工业制造环境中部署此类体系可以帮助优化生产流程管理；而在科学研究方面则有助于加速新药研发过程等具体环节上的突破进展[^3]。 ```python class MultiModalAgent: def __init__(self, llm_core, expert_modules): self.llm_core = llm_core # Large Language Model core component self.expert_modules = expert_modules # Dictionary of specialized modules like speech generation, image recognition etc. def process_input(self, input_data): processed_output = {} for modality, data in input_data.items(): if modality in self.expert_modules: processed_output[modality] = self.expert_modules[modality].process(data) final_response = self.integrate_responses(processed_output) return final_response def integrate_responses(self, responses_dict): integrated_result = "" for key, value in responses_dict.items(): integrated_result += f"{key}: {value}\n" return integrated_result ``` 此代码片段展示了如何设计一个多模态智能体类`MultiModalAgent`，它接收来自不同感官通道的信息作为输入，并将其传递给相应的专家模块进行处理。之后再由中心的语言大模型核芯部分负责整合所有反馈结果，最终给出综合性的答复。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值