A Survey on Large Language Model based Autonomous Agents

已于 2024-03-08 11:35:24 修改
阅读量1.1k 收藏 1
点赞数
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
版权
Survey Paper 同时被 3 个专栏收录
261 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
85 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.

了解本专栏 订阅专栏 解锁全文 超级会员免费看
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
11-17 495
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。
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 2691
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。
【论文精读】A Survey on Large Language Model based Autonomous Agents
HERODING23的博客
01-03 3251
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。
A Survey on Large Language Model based AutonomousAgents（论文笔记）
2403_87703338的博客
03-15 636
18。
基于大语言模型的自主智体
yorkhunter的博客
05-21 1180
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 2223
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。
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 2062
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。
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
09-06 502
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 2758
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 4262
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
08-28 446
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
10-11 659
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》论文解读
轻口味的专栏
04-26 44
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。
论文阅读 A Survey of Large Language Models 2
赫凯的博客
04-05 1233
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。
【大模型:知识图谱】--3.py2neo连接图数据库neo4j
我是个好人呀，????
06-03 1422
本文介绍了Neo4j图数据库的安装与基本操作。主要内容包括：1) 使用py2neo连接Neo4j数据库；2) 通过Python实现节点创建、删除、属性修改等操作；3) 建立节点间关系的方法；4) 使用NodeMatcher和RelationshipMatcher进行节点和关系查询；5) 通过实例演示如何创建人物节点及其关系网络。文章还对比了Neo4j社区版和企业版的差异。全文提供了完整的代码示例，涵盖从连接到CRUD操作的完整流程。
通过基于流视频预测的可泛化双手操作基础策略
最新发布
yorkhunter的博客
06-04 2088
25年5月来自中国电信、西北工业大学和香港科大的论文“Towards a Generalizable Bimanual Foundation Policy via Flow-based Video Prediction”。 由于动作空间巨大且需要协调手臂运动，学习可泛化的双手操作策略对于具身智体而言极具挑战性。现有方法依赖于视觉-语言-动作 (VLA) 模型来获取双手操作策略。然而，从单臂数据集或预训练 VLA 模型迁移知识通常无法有效泛化，这主要是由于双手数据的匮乏以及单臂和双手操作之间的根本差异。本文
a survey on multimodal large l
03-14
### 关于多模态大模型的研究概述 多模态大语言模型（Multimodal Large Language Models, MLLMs）近年来成为人工智能领域的重要研究方向之一。这些模型能够处理多种数据形式，如文本、图像、音频和其他传感器输入，从而实现更加复杂的任务解决能力[^1]。 #### 自动驾驶中的多模态大语言模型 在自动驾驶场景下，MLLMs 的应用尤为突出。它们可以融合来自摄像头、激光雷达和毫米波雷达等多种传感器的数据，提供全面的环境感知能力。一篇重要的综述文章《A Survey on Multimodal Large Language Models for Autonomous Driving》详细探讨了这一领域的进展及其挑战[^2]。该文章不仅涵盖了自动驾驶技术的发展历程，还分析了多模态语言模型如何逐步融入到自动驾驶系统中，并提出了未来可能的研究方向。 #### 数据集与基准测试 为了推动多模态大语言模型的进步，研究人员创建了许多公开可用的数据集和评估标准。例如，在自动驾驶领域，特定的任务驱动型数据集被用来验证模型的有效性和鲁棒性。这些资源对于促进学术界和工业界的协作至关重要[^3]。 #### 跨语言支持的重要性 尽管目前大多数先进的大型语言模型主要专注于单一语言（通常是英语），但也有不少努力旨在构建具备跨语言功能的版本。比如 VisCPM 和 Qwen-VL 这样的项目展示了通过精心设计的训练策略来增强模型对不同自然语言的支持程度的可能性。 ```python # 示例代码展示如何加载一个多模态预训练模型并执行推理操作 from transformers import AutoProcessor, CLIPModel model_name = "openai/clip-vit-base-patch32" processor = AutoProcessor.from_pretrained(model_name) model = CLIPModel.from_pretrained(model_name) image_url = "https://example.com/sample_image.jpg" text_input = ["a photo of a cat", "a photo of a dog"] inputs = processor(text=text_input, images=image_url, return_tensors="pt", padding=True) outputs = model(**inputs) logits_per_image = outputs.logits_per_image # this is the image-text similarity score probs = logits_per_image.softmax(dim=1) # we can take the softmax to get probability distribution over texts print(probs) ``` 上述代码片段演示了一个简单的例子，说明如何利用现有的开源工具包加载预先训练好的多模态模型来进行基本推断。 ---
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