The Landscape of Emerging AI Agent Architectures for Reasoning, Planning, and Tool Calling: A Survey

本文综述了AI代理实现的最新进展，重点关注它们实现需要增强推理、规划和工具执行能力的复杂目标的能力。本文的主要目标是a）传达现有AI代理实现的当前能力和限制，b）分享我们在这些系统中观察到的见解，以及c）为未来AI代理设计的重要考虑因素提出建议。我们通过提供单代理和多代理架构的概述，识别设计选择中的关键模式和分歧，并评估它们对实现提供的目标的总体影响来实现这一目标。我们的贡献概述了在选择代理架构时的关键主题，领导对代理系统的影响，代理通信风格以及规划、执行和反思的关键阶段，这些阶段使得AI代理系统更加健壮。

本文旨在研究人工智能代理实现的最新进展，重点关注其实现复杂目标的能力，这需要增强推理、规划和工具执行能力。论文的主要目标是a）传达现有人工智能代理实现的当前能力和限制，b）分享我们在这些系统中观察到的见解，c）提出未来人工智能代理设计的重要考虑因素。

本文通过提供单一代理和多代理架构的概述，识别设计选择的关键模式和分歧，并评估它们对实现提供的目标的整体影响。本文的贡献在于概述选择代理体系结构的关键主题，领导力对代理系统的影响，代理通信风格，以及计划、执行和反思的关键阶段，这些阶段使得人工智能代理系统更加强大。

本文的亮点包括对单一代理和多代理架构的深入探讨，以及针对不同设计选择的评估。实验设计详细，使用了多个数据集，并提供了开源代码。本文还提出了未来人工智能代理设计的重要考虑因素。

最近在这个领域中，还有一些相关研究，例如“Multi-Agent Reinforcement Learning: A Selective Overview of Theories and Algorithms”和“Deep Reinforcement Learning for Multi-Agent Systems: A Review of Challenges, Solutions and Applications”。