Multi-Agent Software Development through Cross-Team Collaboration

最新的大型语言模型（LLMs）突破，例如ChatDev，已经通过多智能体协作在软件开发中引起了深刻的变革。LLM代理可以像人类一样组成团队协作，并遵循瀑布模型，依次进行需求分析、开发、审查、测试和其他阶段，以执行自主软件生成。然而，对于一个代理团队，单个开发过程中的每个阶段只产生一个可能的结果。这导致只完成一个开发链，因此失去了在解决方案空间内探索多个潜在决策路径的机会。因此，这可能导致获得次优结果。为了解决这个挑战，我们介绍了跨团队协作（CTC），这是一个可扩展的多团队框架，使得编排团队能够共同提出各种决策，并在跨团队协作环境中交流他们的见解，以实现更优质的内容生成。软件开发的实验结果显示，与最先进的基线相比，质量显著提高，突出了我们框架的有效性。故事生成方面的显著改进表明了我们框架在各个领域的有前途的泛化能力。我们预计我们的工作将引导LLM代理走向跨团队范式，并促进它们在软件开发等领域的显著增长。代码和数据将在https://github.com/OpenBMB/ChatDev上提供。

论文旨在解决LLM代理团队在软件开发中只能按照瀑布模型进行单一开发链，从而失去了探索多个潜在决策路径的机会，可能导致获得次优结果的挑战。

该论文提出了一种可扩展的多团队框架——CTC，使得协调的团队可以在跨团队协作环境中共同提出各种决策并交流他们的见解，以实现优秀的内容生成。

该论文的亮点包括：引入了跨团队协作框架，可以探索多个潜在决策路径，实验结果表明相对于现有技术，该框架在软件开发中具有显著的提高；该框架在不同领域具有良好的推广能力；论文提供了代码和数据集。

近期在这个领域中的相关研究包括：《Large-Scale Multi-Agent-Based Simulation Using Deep Reinforcement Learning》、《Multi-Agent Reinforcement Learning: A Selective Overview of Theories and Algorithms》等。