大型语言模型（LLM）的多代理系统显示出自动化现实世界任务的希望，但由于其特定于领域的性质而努力转移跨域。当前的方法面临两个关键的缺点：当应用于新域时，它们需要完整的体系结构重新设计和对所有组件进行全面重新培训。我们介绍了劳动力，这是一种层次多代理框架，将战略规划从专业执行中解散到一个模块化体系结构，包括：（i）用于任务分解的域 - 无关计划者，（ii）子任务管理的协调员，以及（iii）具有特定特 ...

大型语言模型〜（LLM）在各种应用中都表现出了能力，但是面临诸如幻觉，有限的推理能力和事实矛盾之类的挑战，尤其是在处理复杂的，特定领域的任务（例如询问问题）（QA）（QA）时。尽管知识图〜（kgs）已被证明有助于减轻这些问题，但对LLM与背景KGS整合的研究仍然有限。特别是，尚未彻底探索用户可访问性和基础公斤的灵活性 ...

大型语言模型（LLMS）的最新进展已推动了自然语言界面的研究到数据库。但是，大多数最先进的文本到SQL系统仍然取决于复杂的多阶段管道。这项工作提出了一个新型的代理框架，该框架可以在单个端到端组件中统一链接，查询生成和迭代精致 ...

基于大语言模型（LLM）的多机构系统（MAS）在解决问题解决方面具有巨大的潜力。但是，他们仍然面临低沟通效率和次优的任务绩效的重大挑战，这使得对代理商的沟通拓扑的仔细设计尤为重要。受到管理理论的启发，即经常会动态调整在高效团队中的角色，我们提出了代理商，该代理商通过优化通信图的邻接矩阵来识别冗余代理和跨不同通信的通信，并消除它们以提高 Token 效率和任务绩效 ...

大型基于语言模型的多代理系统最近由于其对复杂，协作和智能解决问题的能力的潜力而受到了极大的关注。现有的调查通常根据其应用域或架构对基于LLM的多代理系统（LLM-MAS）进行分类，从而忽略了通信在协调代理行为和交互中的核心作用。为了解决这一差距，本文从以沟通为中心的角度介绍了对LLM-MA的全面调查 ...

对多模式财务数据进行了微调的大型语言模型（LLMS）在各种财务任务中表现出令人印象深刻的推理能力。但是，他们经常在交易式金融市场（例如交易）中与多步，面向目标的方案斗争，在这种情况下，需要复杂的代理方法来改善决策。为了解决这个问题，我们建议\ textsc {flag-trader}，这是一种统一的体系结构，将语言处理（通过LLMS）与梯度驱动的加固学习（RL）策略优化集成在一起，其中部分微调的L ...

大型语言模型（LLM）在执行复杂的任务方面具有显着潜力，并越来越多地用于各种财务应用中。但是，高质量的顺序金融投资决策仍然具有挑战性。这些任务需要在每个决定中都与动荡的环境进行多次互动，要求足够的情报以最大化回报并管理风险 ...

指导微调在NLP任务中至关重要，从而增强了预验证的模型跟踪功能和特定于任务的性能。但是，由于数据收集困难和高生产成本，获得大型模型的高质量微调数据是具有挑战性的。为了解决这个问题，我们提出了一种新的数据增强方法，该方法通过具有不同认知水平的多个代理之间的相互作用来丰富原始数据 ...