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，利用它们广泛的世界知识和语言相关任务的熟练程度。因此，LLM代理在多智能体系统中具有促进合作的巨大潜力。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。受人类组织启发，本文介绍了一个框架，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。通过一系列关于具身LLM代理和人-代理协作的实验，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它们自发的合作行为。此外，我们利用LLMs的潜力，通过批评-反思过程提出了增强型组织提示，得出了减少通信成本和提高团队效率的新型组织结构。

本论文旨在解决LLM代理在多智能体协作中存在的信息冗余和混乱问题，提出了一种基于提示的组织结构框架来缓解这些问题。

通过在LLM代理上实施基于提示的组织结构，引入指定领导对团队效率的影响，并利用LLM的潜力提出增强型组织提示，以减少通信成本并提高团队效率。

实验结果显示，指定领导对团队效率的影响，突出了LLM代理所展示的领导能力和其自发合作行为。同时，通过批评-反思过程，提出了新颖的组织结构，减少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 with Communication Constraints”和“Learning to Communicate to Solve Riddles with Deep Distributed Recurrent Q-Networks”等论文。