这项调查探讨了从多代理增强学习（MARL）的角度来看，大语言模型（LLM）中元思考能力的发展。元思考的自我反思，评估和对思维过程的控制是增强LLM可靠性，灵活性和性能的重要下一步，尤其是对于复杂或高风险的任务。该调查首先分析当前的LLM限制，例如幻觉和缺乏内部自我评估机制 ...
推荐系统（RS）对于为用户过滤信息和个性化内容而变得至关重要。传统上，RS技术依赖于使用每个任务的模型来建模用户与项目之间的交互以及内容的功能。基础模型（FMS）的出现，在GPT，Llama和Clip等大量数据的大规模模型中，正在重塑建议范式 ...
分散的AI代理将很快在互联网平台上进行交互，从而在传统的网络安全和AI安全框架之外产生安全挑战。自由形式的协议对于AI的任务概括至关重要，但可以实现新的威胁，例如秘密勾结和协调的群体攻击。网络效应可以迅速传播隐私漏洞，虚假信息，越狱和数据中毒，而多代理分散和隐身优化有助于对手在系统性上逃避监督的新型持续威胁 ...
随着大语言和视觉模型的兴起，AI代理已经演变为能够感知，推理和决策的自动互动系统。随着它们在虚拟和物理领域中扩散时，互联网（IOA）已成为一种关键基础架构，以实现异质剂之间可扩展和安全的协调。这项调查对IOA系统中的安全性和隐私景观进行了全面检查 ...
大型语言模型（LLM）和引入模型上下文协议（MCP）的最新进展已大大扩展了LLM代理与外部工具和API动态交互的能力。但是，现有的工具选择框架不会集成MCP服务器，而是在很大程度上依赖于易用错误的手动更新到单片本地工具存储库中，从而导致重复，不一致和效率低下。此外，当前的方法是在调用LLM代理之前的抽象工具选择，从而限制了其在多转交互期间的自主性和阻碍动态的重新传播功能 ...
基于大语言模型 (LLM) 的智能代理的集成和部署充满了挑战，影响了其效率和功效。这些问题包括代理通过 LLM 请求的次优调度和资源分配、代理与 LLM 之间交互期间维护上下文的困难，以及集成具有不同功能和专业的异构代理所固有的复杂性。代理数量和复杂性的快速增加进一步加剧了这些问题，通常会导致资源瓶颈和次优利用 ...
模拟剂对于设计和测试系统与人类相互作用（例如自动驾驶汽车（AV））至关重要。这些代理的目的是各种目的，从基准AV性能到压力测试系统限制，但是所有应用程序都有一个关键要求：可靠性。为了启用声音实验，必须按预期行事 ...
随着科学研究变得越来越复杂，需要创新的工具来管理大量数据，促进跨学科的合作并加速发现。大型语言模型（LLM）现在正在发展为基于LLM的科学代理，这些科学代理将关键任务自动化，从假设产生和实验设计到数据分析和仿真。与通用LLM不同，这些专业的代理集成了特定于域的知识，高级工具集和健壮的验证机制，从而使它们能够处理复杂的数据类型，确保可重复性并推动科学突破 ...
