LLM-Agent-Survey：探索大型语言模型Agent的全景图

LLM-Agent-Survey：探索大型语言模型Agent的全景图

LLM-Agent-Survey A Survey on LLM Agents (Published on CoLing 2025) 项目地址: https://gitcode.com/gh_mirrors/llm/LLM-Agent-Survey

项目介绍

LLM-Agent-Survey 是一个针对大型语言模型（Large Language Model, LLM）驱动的 Agent 的全面调查项目。该项目由 Xinzhe Li 主编，旨在为研究者和开发者提供一个关于 LLM-Based Agent 的研究全景图，涵盖工具使用、规划、反馈学习等多个方面。项目包含了多篇高质量的学术论文，这些论文要么已经发表在顶级会议和期刊上，要么包含了新颖的分析和见解。

项目技术分析

LLM-Agent-Survey 的技术核心在于对现有 LLM-Based Agent 研究的系统性梳理和分类。项目不仅关注于已经发表的成果，还包含了未发表但具有创新性的研究论文。以下是对项目技术内容的简要分析：

• 工具使用（Tool Use）：这一部分关注于如何将工具整合到语言模型中，使 Agent 能够在执行任务时调用外部工具。代表性工作包括 ReAct、Toolformer、HuggingGPT 等，这些研究探索了不同的方法来实现模型与工具的协同工作。

• 规划（Planning）：规划是 Agent 完成任务的关键能力。这一部分包含了基于搜索的工作流、蒙特卡洛树搜索、A* 算法等多种规划方法，以及它们在 LLM-Based Agent 中的应用。

• 反馈学习（Feedback Learning）：反馈学习使 Agent 能够根据任务执行的结果进行调整。这一部分的研究探讨了如何通过反馈机制改进 LLM-Based Agent 的性能。

• 组合（Composition）：组合部分关注于将规划、工具使用和反馈学习等多种方法结合起来，以实现更复杂的功能。

• 世界建模（World Modeling）：世界建模是构建能够理解和模拟现实世界的 Agent 的关键。这一部分的研究探讨了如何使用 LLM 作为世界模型，以及如何生成世界模型。

• 基准（Benchmarks）：项目还包括了多个用于评估 LLM-Based Agent 性能的基准测试。

项目技术应用场景

LLM-Agent-Survey 的研究成果广泛应用于多个领域，包括但不限于：

• 自然语言处理（NLP）：通过工具使用和规划，LLM-Based Agent 能够在问答、文本生成等 NLP 任务中展现出更高级的能力。

• 智能对话系统：在对话系统中，LLM-Based Agent 可以通过反馈学习不断优化对话质量，提供更自然的交互体验。

• 游戏开发：在游戏环境中，LLM-Based Agent 可以通过世界建模和规划来执行复杂的任务。

• 自动化决策：LLM-Based Agent 可以在自动化决策系统中应用，例如在金融、医疗等领域辅助决策。

项目特点

LLM-Agent-Survey 的主要特点包括：

• 系统性：项目对 LLM-Based Agent 的研究进行了全面的分类和梳理，为研究者和开发者提供了一个清晰的研究框架。

• 高质量：所选论文均来自顶级会议和期刊，或者包含了新颖的分析和见解。

• 动态更新：项目持续更新，关注最新的研究成果，确保用户能够获取到最前沿的信息。

• 开放性：项目欢迎研究者贡献新的研究成果，共同推进 LLM-Based Agent 领域的发展。

LLM-Agent-Survey 作为一个全面的研究资源库，对于任何对 LLM-Based Agent 感兴趣的研究者和开发者来说，都是一份宝贵的资料。通过该项目，用户不仅能够获取到前沿的研究成果，还能了解到该领域的发展趋势和潜在的研究方向。

LLM-Agent-Survey A Survey on LLM Agents (Published on CoLing 2025) 项目地址: https://gitcode.com/gh_mirrors/llm/LLM-Agent-Survey