本文探讨了基于大型语言模型（LLM）的Agent，涉及信息记忆、感知和动作模块，以及在单代理、多代理协作和人机协作场景中的应用，强调了推理、规划和多模态输入的重要性。
任务一：初始大模型与Agent
LLM-based Agent 基本原理和组成
【1】brain：信息记忆和处理。通过自然语言交互，理解人类意图和目标，从语义信息中提出出知识，语言知识、常识知识、专业领域知识，然后通过特定的记忆机制，保存历史记录的长度和提取相关记忆的难度，需要总结和利用数据结构压缩存储。当检索和提取记忆时，可以根据不同的指标如重要性、相关性和最近性来进行设计。对于记忆的使用包括推理和规划，迁移泛化等方式 （in-context learning, continual leanring, multi-task learning）
【2】perception：感知。根据LLM 选择的不同，如果是VLM，还可以支持不同模态的输入
【3】action：输出文字，控制行为，使用其他工具
使用场景
【1】single agent：reasoning, planning
【2】multi-agent：合作（无序、有序），对抗（辩论）
【3】human-agent collaboration：
1365
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
