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

大型语言模型（LLMs）在各种任务中取得了显著的成功。由于LLMs具有出色的规划和推理能力，它们已被用作自主代理来自动完成许多任务。最近，基于使用一个LLM作为单个规划或决策代理的发展，基于LLMs的多代理系统在复杂问题解决和世界模拟方面取得了相当大的进展。为了向社区提供这个充满活力的领域的概述，我们提供这篇调查报告，深入讨论基于LLMs的多代理系统的基本方面以及挑战。我们的目标是让读者对以下问题获得实质性的见解：LLM基础的多代理模拟哪些领域和环境？这些代理是如何被描述和如何交流的？哪些机制有助于代理能力的增长？对于那些有兴趣深入研究这个领域的人，我们还总结了常用的数据集或基准，以便他们方便地获取。为了让研究人员了解最新的研究，我们维护一个开源的GitHub存储库，专门概述基于LLM的多代理系统的研究。

本篇论文旨在介绍基于大型语言模型（LLMs）的多智能体系统，并探讨其在复杂问题解决和世界模拟方面的应用。具体而言，论文试图回答多智能体系统基于LLMs的模拟领域和环境、代理人的特征和通信方式、以及代理人能力增长的机制等问题。

文章主要思路是介绍使用大型语言模型作为决策和规划代理的多智能体系统，并探讨其在复杂问题解决和世界模拟方面的应用。相比当前领域的研究，本文的创新之处在于提出了使用LLMs作为多智能体系统的决策和规划代理，以及探讨了LLMs在多智能体系统中的应用。

本文介绍了基于LLMs的多智能体系统的应用和挑战，并总结了常用的数据集和基准。实验采用了开源的GitHub仓库，并提供了相关代码。值得关注的是，本文提出的LLMs作为多智能体系统的决策和规划代理，可以在多个领域和环境下进行模拟，包括游戏、机器人、交通等。

最近的相关研究包括“Multi-Agent Reinforcement Learning with Communication Constraints”和“Learning to Communicate to Solve Riddles with Deep Distributed Recurrent Q-Networks”。