由大型语言模型（LLM）提供动力的多代理AI系统越来越多地用于解决复杂的任务。但是，这些系统通常依赖于脆弱的，手动设计的提示和启发式方法，从而使优化变得困难。优化多代理系统的关键挑战是为专用代理购买合适的培训数据 ...
随着LLM作为代理的发展，人们对将多个代理连接到多代理系统以同时解决任务，重点关注其在任务分配和协调中的作用，这一越来越兴趣。本文探讨了LLM如何在多个代理中有效分配计算任务，考虑到成本，效率和性能等因素。在这项工作中，我们解决了关键问题，包括LLM作为编排者和计划者的有效性，并比较其在任务分配和协调方面的有效性 ...
培训大语言模型（LLM）作为交互式代理提出了独特的挑战，包括长马决策以及与随机环境反馈进行互动。尽管增强学习（RL）在静态任务方面取得了进展，但多转弯代理RL培训仍然没有得到充实。我们提出了Starpo（状态思维 - 奖励政策优化），一个轨迹级代理RL的一般框架，并引入了Ragen，Ragen是一种用于培训和评估LLM代理的模块化系统 ...
多代理系统已成为一种有希望的方法，用于增强复杂问题解决中大语言模型的推理能力。但是，当前的MAS框架受到灵活性和可伸缩性差的限制，并具有欠发达的优化策略。为了应对这些挑战，我们提出了RESO，该RESO将任务图的生成与奖励驱动的两阶段代理选择过程集成在一起 ...
大型推理模型（例如OpenAI的O3）的关键趋势是使用外部工具（例如Web浏览器）进行搜索和编写/执行代码进行图像操作以使用图像进行思考的本地代理能力 ...
GUI 长期以来一直是人机交互的核心，提供了一种直观且视觉驱动的方式来访问数字系统并与之交互。 LLM ，特别是多模式模型的出现，开创了 GUI 自动化的新时代。他们在自然语言理解、代码生成和视觉处理方面表现出了卓越的能力 ...
基于LLM的多代理系统（MAS）已通过整合多种代理，每个代理都扮演不同的角色，在解决复杂问题方面已被证明非常有效。但是，在敏感领域，他们面临着新兴的隐私保护挑战。在本文中，我们介绍了联合MAS的概念，强调了联邦MAS与传统FL之间的根本差异 ...
开放大语言模型 (LLM) 显着推进了自然语言处理领域的发展，在各种任务中展示了令人印象深刻的性能。尽管 LLM 取得了显着进步，但其有效操作仍然在很大程度上依赖于人工输入来通过代理调整来准确引导对话流这是一项关键的优化技术，涉及对模型的人工调整，以便更好地响应此类指导。为了解决这种依赖性，我们的工作引入了 TinyAgent 模型，该模型在精心策划的高质量数据集上进行了训练 ...
