陈超帅的博客

在人工智能的迅速发展中，生成智能体在模拟复杂社交行为上的潜力日渐显现。然而，一个挑战始终存在：如何在实时交互中保持智能体的反应速度，同时还要控制计算成本？最新的研究成果——Lyfe Agents，为这个问题提供了一个令人兴奋的解决方案。论文题目：Lyfe Agents: Generative agents for low-cost real-time social interactions

基于强化学习的语言代理在狼人杀中的战略对局（Language Agents with RL for Strategic Play in the Werewolf Game）在人工智能的领域里，大型语言模型（LLM）的发展正开辟着新的天地。大多数研究聚焦在单一智能体或者合作任务上，但对于多智能体这样的复杂场景，探索还远远不够。今天，我们来探讨一项有趣的研究—如何将强化学习（RL）技术应用到LLM，以在诸如狼人杀这种社交推理游戏中培养出具备高度战略思维的语言代理。

在AI领域，语言模型(LM)代理技术正迅猛发展，带来了诸如ChatGPT插件等强大工具。然而，随之而来的潜在风险也不容忽视——从私人数据泄露到财务损失，种种风险不断被放大。传统的风险识别方法不仅耗时耗力，且随着工具复杂性的增加，成本也水涨船高。要在这样的趋势下发现那些发生概率低但可能导致严重后果的风险，无疑是一项挑战。使用LM仿真沙盒识别LM代理风险（Identifying the Risks of LM Agents with an LM-Emulated Sandbox）

从社会心理学的角度探索LLM智能代理的协作机制（Exploring Collaboration Mechanisms for LLM Agents A Social Psychology View)在自然语言处理（NLP）技术日益深入人类社会生活的今天，我们不禁要问：众多大型语言模型（LLM）构成的多代理系统是否能够模仿人类之间的协作智能？

在人工智能领域，构建能够与人类及其他系统协作的智能体是一个备受关注的课题。大型语言模型（Large Language Models，LLMs）以其卓越的自然语言理解和生成能力，成为该课题中的一股新兴力量。今天，我们来探讨一项新研究，该研究评估了采用LLMs的智能体在不同协作场景下的表现，并提出了一个专为LLMs设计的协作框架——LLM-Coordination（LLM-Co）。

多智能体协作，可与人类合作的Agent（Building Cooperative Embodied Agents Modularly with Large Language Models）

AVALON思维游戏：通过递归思考对抗欺骗论文题目：Avalon's Game of Thoughts: Battle Against Deception through Recursive Contemplation

AGENTVERSE：促进多智能体协作和探索涌现行为（Agentverse: Facilitating multi-agent collaboration and exploring emergen）

【Agent论文】大型语言模型智能评估新尺度：AGENTBENCH（Agentbench: Evaluating llms as agents）