Large Language Model based Multi-Agents: A Survey of Progress and Challenges

一、摘要

1. 背景：

   • 大型语言模型（LLMs）在多种任务中取得了显著的成功，展现出与人类相媲美的规划和推理能力。
   • LLMs被用作自主智能体，自动执行任务，尤其在基于单个LLM的规划或决策智能体的基础上，基于LLM的多智能体系统在解决复杂问题和模拟世界方面取得了重大进展。

2. 调查目的：

   • 提供对基于LLM的多智能体系统（LLM-MA系统）的深入讨论，包括它们的基本方面和面临的挑战。
   • 使读者能够深入了解LLM-MA系统模拟的领域和环境、智能体的配置和通信方式，以及智能体能力增长的机制。

3. 资源提供：

   • 为有兴趣深入了解该领域的研究者总结了常用的数据集和基准测试，以便他们能够方便地访问这些资源。
   • 维护一个开源GitHub仓库，用于记录和更新LLM-MA系统的研究进展。

4. 调查结构：

   • 论文首先介绍背景知识，然后探讨LLM-MA系统如何与协作任务解决环境对齐。
   • 提出一个全面的框架，用于分析LLM-MA系统的智能体-环境界面、智能体配置、智能体通信和智能体能力获取。
   • 根据应用将当前工作分为问题解决和世界模拟两大类，并提供相关工具和资源。
   • 讨论未来研究的挑战和机遇，并总结结论。

5. 目标读者：

   • 该调查旨在为不同背景的读者提供对LLM-MA系统的全面了解，包括基本概念、最新研究趋势和应用，以及如何进一步探索和创新这一领域。

二、引言

1. LLMs的潜力与进展：

   • 大型语言模型（LLMs）在多个任务中取得了显著的成功，展现出与人类相媲美的规划和推理能力。
   • LLMs被用作自主智能体，自动执行任务，尤其在基于单个LLM的规划或决策智能体的基础上，基于LLM的多智能体系统在复杂问题解决和世界模拟方面取得了重大进展。

2. LLM-based多智能体系统的优势：

   • 多智能体系统通过专业化LLMs为不同智能体并允许它们之间互动，提供了更高级的能力，有效模拟复杂现实世界环境。
   • 这种方法利用了LLMs的沟通能力，以及它们在各个领域广泛的知识和在特定任务中专业化的潜力。

3. 跨学科研究的吸引力：

   • LLM-based多智能体系统已在软件开发、多机器人系统、社会模拟、政策模拟和游戏模拟等多种任务中显示出有希望的结果。
   • 该领域吸引了来自社会科学、心理学和政策研究等多个领域的研究者，研究论文数量迅速增加。

4. 研究空白与本研究的动机：

   • 尽管LLM-based多智能体系统的研究正在迅速发展，但缺乏系统的综述来总结这些研究，建立全面的研究蓝图，并检验未来的研究挑战。
   • 本调查论文旨在填补这一空白，为LLM-based多智能体系统的研究提供全面的概述和深入分析。

5. 调查论文的目标与结构：