RAISE：在ReAct方法的基础上，添加了模仿人类短期和长期记忆的记忆机制。暂存器用于短期记忆，与上述数据集类似的数据集用于长期记忆。
图3：RAISE 方法图
反思：使用口头反馈进行自我反思的单主体模型。利用大规模语言模型(LLM) 评估功能，使用成功状态、当前轨迹和持久记忆等指标向代理提供具体且相关的反馈。
AutoGPT+P：一种代理推理约束方法，通过将对象检测和对象特征映射(OAM) 与LLM 驱动的规划系统相结合，以自然语言指导机器人。
图4：AutoGPT+P方法示意图
LATS：使用树进行规划、行动和推理的单代理方法。它通过树搜索算法选择动作，并在执行动作后使用环境反馈和语言模型反馈进行自我反思。
尽管单代理架构在多个方面取得了进步，但它们在理解复杂逻辑、避免错觉以及提高需要多样性、探索和推理的任务的性能方面仍然面临挑战。
多智能体架构
当涉及两个或多个代理时，每个代理可以使用相同的语言模型或不同的语言模型集。多智能体架构通过智能体之间的通信和协作规划促进目标实现。这些架构通常包括在规划、执行和评估阶段的动态团队建设和团队成员之间的智能分工。
多代理架构分为两大类：垂直架构和水平架构。在垂直架构中，只有一个主导智能体，而在水平架构中，所有智能体具有平等的地位并共同参与任务讨论。
多代理架构示例：
体现LLM代理学习在有组织的团队中进行合作：研究了领导代理对团队整体有效性的影响，有组织的领导代理团队比无领导团队更快地完成了任务。
图5：指定领导者的代理团队取得卓越绩效
DyLAN（动态LLM 代理网络）：创建专注于推理和代码生成等复杂任务的动态代理结构，并通过动态评估和排名代理贡献来优化您的团队。
AgentVerse：通过定义任务执行的精确阶段，帮助代理更有效地推理、讨论和行动：采用、联合决策、独立行动执行和评估。
图6：AgentVerse 方法图
MetaGPT：通过要求代理生成结构化输出（例如文档或图表）而不是共享非结构化聊天信息，解决代理之间聊天效率低下的问题。
尽管人工智能代理技术展现出巨大的前景，但仍然存在一些挑战，包括建立全面的基准、确保现实世界的适用性以及减少语言模型中的有害偏差。此外，从静态语言模型到更加动态和自主的代理开发的转变旨在为现有或正在开发的自定义代理架构的研究提供全面的理解和指导。
用于推理、规划和工具调用的新兴人工智能代理架构的状态： Surveyhttps://arxiv.org/pdf/2404.11584.pdf
原创文章，作者：小条，如若转载，请注明出处：https://www.sudun.com/ask/80288.html
