动态构建Agent团队:平均准确性比现有方法提升了 21.94%


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。

动态构建Agent团队:平均准确性比现有方法提升了 21.94%

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)

动态构建Agent团队:平均准确性比现有方法提升了 21.94%

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,