动态构建Agent团队：平均准确性比现有方法提升了 21.94%

发布时间：2024 年 05 月 29 日

多Agent应用

Adaptive In-conversation Team Building for Language Model Agents

通过多个大型语言模型（LLM）智能体协同工作，已被证实是应对复杂任务的有效策略。然而，如何巧妙地为特定应用设计这些代理，仍是一门艺术。我们面临的核心挑战是：如何为特定任务组建一支高效的 LLM 智能体团队？我们的创新——自适应团队构建模式，提供了一种灵活的解决方案，其核心是“队长智能体”这一新颖设计。队长智能体能够根据任务解决的每一步动态组建和管理团队，通过嵌套对话和反思机制，确保团队拥有多元化的专业技能，避免单一化的输出。这种方法不仅灵活，而且结构化，有效减少了冗余，提升了输出的多样性。在六个真实场景的广泛测试中，队长代理的平均准确性比现有方法提升了 21.94%，展现出卓越性能，且无需针对特定任务进行提示工程的调整。

https://arxiv.org/abs/2405.19425

1. 现有多Agent团队构建方法的局限性

基于大语言模型的智能体应用凭借其卓越的上下文学习能力、规划能力、工具调用能力和多轮对话能力，使得其已经能够与人类团队的协作能力相提并论。

虽然现在智能体应用已经被大家广泛接受，但是如何构建一个有效的多智能体团队呢？这是大家面临的一个新问题。

• • 最常见的方法是根据任务构建一支静态智能体团队。

• • 但这种方法需要维持一个包含所有所需专业知识的团队，随着任务复杂性的增加，团队规模可能会急剧扩大，这使得有效管理变得困难。

• • 此外，静态团队可能缺乏应对任务需求变化或意外挑战的灵活性。

  实际上，人类在处理复杂任务时，往往会在任务解决的不同阶段为每个子任务组建多个团队，以利用所需的多样化专业知识。

• • 另外一种方法则是自适应构建智能体团队。

• • 在任务解决过程中，根据需求的变化灵活地组装具有特定技能和知识的代理。

  为此，今天这篇论文作者设计了一种新的自适应构建者代理——队长智能体

• • 队长智能体负责在对话的每个问题解决步骤中构建、管理和维护智能体团队。

• • 队长智能体包含两个核心组件：

  自适应多智能体团队构建和嵌套组对话及反思。

上图展示了两种构建LLM智能体团队的方法。"静态构建"方法在任务执行之前预先组建一个固定团队。而"自适应构建"策略则是在任务解决过程中，通过一个自适应构建者代理来动态组建多样化的团队。

2. 什么是自适应构建智能体团队（daptive In-conversation Team Building）

如上图所示，队长智能体的工作流程简洁明了：接到用户指令，�