Embodied LLM Agents Learn to Cooperate in Organized Teams

大型语言模型（LLMs）已成为推理、规划和决策制定的重要工具，利用它们丰富的世界知识和语言相关任务的熟练度。因此，LLM代理在多智能体系统中具有巨大的潜力，以促进合作的自然语言交互。然而，LLM代理往往会过度报告和遵守任何指令，这可能导致多智能体合作中的信息冗余和混乱。受人类组织的启发，本文介绍了一种框架，将提示为基础的组织结构强加在LLM代理上，以减轻这些问题。通过一系列实验，包括具有实体LLM代理和人-代理协作，我们的结果突出了指定领导对团队效率的影响，揭示了LLM代理展示的领导素质和他们自发的合作行为。此外，我们利用LLMs的潜力，通过批评-反思过程提出了增强的组织提示，从而产生了减少通信成本和提高团队效率的新的组织结构。

解决多智能体协作中LLM代理器过度报告和遵从任何指令的问题

通过基于提示的组织结构对LLM代理器进行约束，以提高团队效率

实验结果显示指定领导对团队效率的影响，通过Criticize-Reflect过程提出了新的组织结构，降低了通信成本并提高了团队效率

最近的相关研究包括《Multi-Agent Reinforcement Learning for Common-Pool Resource Management》和《Communication-Efficient Multi-Agent Reinforcement Learning with Structured Policies》