MegaAgent: A Practical Framework for Autonomous Cooperation in Large-Scale LLM Agent Systems

随着大型语言模型（LLM）的出现，提出了基于LLM的多智能体系统（LLM-MA系统）来解决实际问题。然而，它们的智能体大多遵循预定义的标准操作程序（SOP），这些程序在整个交互过程中保持不变，缺乏自治性和可扩展性。此外，当前解决方案经常忽视了有效的智能体合作的必要性。为了解决上述限制，我们提出了MegaAgent，这是一个实用的框架，旨在实现大规模LLM智能体系统的自主合作。MegaAgent利用智能体的自治性，根据任务要求动态生成智能体，包括自动分配任务、系统化规划和监控智能体活动以及管理并发操作等功能。此外，MegaAgent采用分层结构和系统级并行处理来提高性能和增强通信。我们通过五子棋游戏开发证明了MegaAgent的有效性，显示它优于流行的LLM-MA系统；并通过国家政策模拟展示了它的高自治性和快速扩展到590个智能体的潜力，同时确保它们之间的有效合作。我们的研究结果表明，MegaAgent是第一个没有预定义SOP、高效可扩展的自主大规模LLM-MA系统，为进一步研究开辟了道路。我们的代码位于https://anonymous.4open.science/r/MegaAgent-81F3。

解决问题：本文旨在解决大规模语言模型代理系统缺乏自主性和可扩展性以及有效代理协作的问题。

关键思路：提出了MegaAgent框架，利用代理的自主性动态生成代理，实现自动化任务分配、系统性规划和监控代理活动，以及管理并发操作。MegaAgent具有分层结构和系统级并行性，可提高性能和加速通信。

亮点：通过Gobang游戏开发和国家政策模拟，证明了MegaAgent的高自主性和潜力，可以快速扩展到590个代理，并确保它们之间的有效协作。此外，MegaAgent是第一个没有预定义SOP、高效且可扩展的自主大规模LLM-MA系统。

相关研究：目前在这个领域还有一些相关的研究，如Multi-Agent Reinforcement Learning、Deep Reinforcement Learning for Multi-Agent Systems等。