清华等开源多智能体框架AgentVerse 可让多个模型之间进行协作

要点:

1. AgentVerse是一个多智能体框架，旨在促进大型语言模型之间的协作，以提高任务完成效率。

2. AgentVerse框架包括专家招募、协同决策、行动执行和评估四个关键阶段，模拟人类群体问题解决过程。

3. 实验结果表明，AgentVerse框架能够有效部署多智能体群组，性能优于单一智能体，促进了协作等社会行为。

AgentVerse是一个旨在促进多个大型语言模型（LLM）之间协作的多智能体框架。虽然单个LLM在各种任务上表现出色，但面对复杂任务或需要提高效率的情况，多个智能体之间的协作变得至关重要。AgentVerse的设计受到人类群体动力学的启发，旨在实现多个LLM之间的协作，使整个群体的综合能力超过各个成员的能力总和。

AgentVerse框架的关键特点包括高效的环境搭建、可定制的组件和工具利用。它为研究人员提供了多个基本构建模块，使他们能够轻松搭建多智能体环境，例如LLM聊天室等，从而使研究人员能够更专注于实验过程和结果分析。此外，框架还允许用户基于其需求重新定义不同模块的功能，增加了灵活性。

论文链接:https://arxiv.org/pdf/2308.10848.pdf

开源链接:https://github.com/OpenBMB/AgentVerse

AgentVerse框架的关键阶段包括专家招募、协同决策、行动执行和评估。在专家招募阶段，框架自动招募专家，动态生成专家描述，然后根据不同的描述提示和目标来组建多个不同的智能体群组。这种动态调整使得框架能够根据当前状态动态构建最有效的多智能体群组，以便在后续决策和行动执行中取得更好的结果。

协同决策阶段涉及将专家智能体聚集起来进行协同决策。框架提供了两种经典的沟通结构:横向沟通和纵向沟通。横向沟通鼓励智能体之间的相互理解和协作，适用于需要创造性想法或大量协调的场景。而纵向沟通涉及职责分工，适用于需要迭代完善决策的场景。

行动执行阶段涉及智能体执行指定的动作，根据环境状态的更新来调整行动。最后，评估阶段使用奖励反馈机制评估当前状态与期望目标之间的差距，并为下一轮的专家组构建提供反馈和建议。

AgentVerse的实验结果表明，在多智能体群组中，性能明显优于单个智能体。研究人员使用多个语言模型进行了定量实验，涵盖了对话能力、数学计算能力、逻辑推理能力和编码能力等四个方面。这些实验结果验证了AgentVerse框架的有效性和潜力，特别是在复杂任务和实际应用中。

总的来说，AgentVerse是一个创新的多智能体框架，有助于提高多个大型语言模型之间的协作，从而在各种任务中提高效率和性能。这一框架的发展对于推动自然语言处理和人工智能领域的研究和应用具有重要意义。