Adaptive In-conversation Team Building for Language Model Agents

利用多个大型语言模型代理已被证明是解决复杂任务的一种有前途的方法，而为特定应用程序设计多个代理的有效方法仍然是一种艺术。因此，回答一个关键问题非常有趣：给定一个任务，我们如何构建一个LLM代理团队来有效地解决它？我们的新适应性团队构建范式提供了一种灵活的解决方案，通过一种名为“Captain Agent”的新型代理设计实现。它动态地为任务解决过程的每一步形成和管理团队，利用嵌套组对话和反思，确保多样化的专业知识并防止产生陈规的输出。它允许灵活但有结构化的问题解决方法，并可以帮助减少冗余和增强输出多样性。在六个真实场景的全面评估中，Captain Agent显著优于现有的多代理方法，平均准确性提高了21.94％，在不需要特定任务提示工程的情况下提供了出色的性能。

如何构建一个团队的LLM代理来有效地解决任务？

通过一种新的自适应团队构建范例，使用一种名为Captain Agent的新型代理来动态组建和管理团队，利用嵌套组对话和反思来确保多样化的专业知识和防止刻板化的输出。

Captain Agent显著优于现有的多代理方法，平均准确性提高了21.94％。论文提供了一个灵活但有结构的解决问题的方法，可以帮助减少冗余并增强输出多样性。实验结果表明，Captain Agent可以在六个真实世界的场景中提供出色的性能，而无需进行特定任务的提示工程。

最近的相关研究包括：1.《Multi-Agent Reinforcement Learning: A Selective Overview of Theories and Algorithms》；2.《Learning Multi-Agent Communication with Backpropagation》；3.《A Survey of Multi-Agent Reinforcement Learning》。