Agent

Agent核心

1、自主性

2、交互性

3、适应性

4、目的性

ReAct  Reasoning and Acting范式

模型的推理过程分为 推理  Reason 和行动 Action 两个步骤，交替执行，直至获得最终结果。

推理 Reason  生成分析步骤，解释当前任务的上下文或状态，帮助模型理解下一步行动的逻辑依据。

行动 Action 基于推理结果，生成具体的工具调用请求（如查询搜索引擎、调用API、数据库检索等），将模型的推理转化成行动。

ActionExecutor

协作型的 multi-agent 系统

随着 LLM 的兴起，研究者们逐渐认识到 LLM 的优势及其局限性，那么综合多个不同功能的 LLM 的优点，共同实现一个目标的 multi-agent 系统便应运而生。这种协作式的 multi-agent 系统也是当前的主流方向，这种做法的主要优点有：

• 专业知识增强：系统内的每个 agent 都拥有各自领域的专业知识， 广泛的专业知识可以帮助生成的结果全面且准确。

• 提高问题解决能力：解决复杂的问题通常需要采取多方面的方法。LLM-based multi-agent 系统通过综合多个 agent 的优势，提供单个 LLM 难以匹敌的解决方案。

• 稳健性和可靠性：冗余和可靠性是人工智能驱动的解决方案的关键因素。LLM-based multi-agent 系统可降低单点故障的风险，确保持续运行并减少出现错误或不准确的可能性。

• 适应性：在动态的世界中，适应性至关重要。LLM-based multi-agent 系统可以随着时间的推移而发展，新的代理无缝集成以应对新出现的挑战。

协作机制

该研究发现协作机制的主要有以下几点：

• 每一个 agent 都有不同的个体特质、思维模式和合作策略；

• agent 之间的辩论和 agent 本身的反思可以提高 agent 的表现；-agent 数量和策略的平衡是形成协作的关键因素

• LLM agents 的协作机制和人类的社会心理学有诸多相似之处，如 从众和少数服从多数。