360$^\circ$REA: Towards A Reusable Experience Accumulation with 360° Assessment for Multi-Agent System

大型语言模型代理已经在各种复杂任务中展示了显著的进展。最近的研究集中于优化代理团队或采用自我反思来迭代地解决复杂任务。由于这些代理都基于相同的LLM，仅进行自我评估或移除表现不佳的代理并不能实质性地增强代理的能力。我们认为，全面评估和积累评估反馈的经验是提高系统性能的有效方法。在本文中，我们提出了一种受企业组织实践启发的分层多代理框架——可重复使用的经验积累与360$^\circ$评估（360$^\circ$REA）。该框架采用一种新颖的360$^\circ$绩效评估方法进行多角度的绩效评估，具有细粒度的评估。为了增强代理在解决复杂任务方面的能力，我们引入了双层经验池，使代理可以通过细粒度的评估积累经验。对复杂任务数据集的广泛实验表明了360$^\circ$REA的有效性。

如何提高多智能体系统的性能？

提出了一种基于360度绩效评估的多智能体框架，通过双层经验池来积累经验，从而提高系统性能。

提出了一种新颖的360度绩效评估方法，实验结果表明该方法可以提高多智能体系统的性能。使用了复杂任务数据集进行实验。

最近的相关研究包括优化多智能体系统和使用自我反思来解决复杂任务，但这些方法并没有实质性地提高智能体的能力。