Fundamentals of Building Autonomous LLM Agents

本文综述了由大语言模型（LLM）驱动的智能体的架构及其实现方法。鉴于传统大语言模型在现实任务中的局限性，该研究旨在探索构建具有“主动性”的大语言模型的模式，以实现复杂任务的自动化，并缩小与人类能力之间的性能差距。其关键组成部分包括：感知系统，负责将环境中的感知信息转化为有意义的表示；推理系统，通过思维链、思维树等不同技术来制定计划、响应反馈并评估行动；记忆系统，通过短期和长期两种机制存储知识；以及执行系统，将内部决策转化为具体行动。本文展示了如何通过整合这些系统，构建出更具能力且通用性更强的软件机器人，从而模拟人类的认知过程，实现自主而智能的行为。

传统大语言模型（LLMs）在处理现实世界任务时存在局限性，难以自主完成复杂、多步骤的任务，缺乏与环境持续交互和长期规划的能力。论文试图解决如何构建具备类人认知能力的‘代理型’LLM智能体，以缩小与人类在复杂任务执行上的性能差距。这个问题随着LLM在实际应用中的深入而变得日益重要，虽非全新问题，但结合现代LLM能力的系统化架构探索仍属前沿。

提出一个由感知、推理、记忆和执行四大核心模块构成的LLM代理架构。关键创新在于将认知科学启发的系统设计与现代LLM技术结合，通过Chain-of-Thought、Tree-of-Thought等推理机制实现动态规划与反馈适应，并引入分层记忆系统支持长期知识保留与检索，从而实现端到端的自主决策与行动闭环。相比现有研究，该工作强调模块化、可扩展的通用代理框架，而非单一任务优化。

论文系统梳理了当前LLM代理的主流实现模式，提供了清晰的架构分类与设计原则。实验部分综述了多个基准测试环境（如ALFWorld、WebShop、HotpotQA）用于评估代理能力，并展示了在任务完成率、泛化性和交互复杂度上的显著提升。部分相关代码已在GitHub开源（如LangChain、AutoGPT、BabyAGI项目），推动社区发展。未来值得深入研究方向包括：记忆系统的高效更新机制、推理过程的可解释性增强、以及在真实物理环境中的部署。

近期相关研究包括：'ReAct: Synergizing Reasoning and Acting in Language Models'（Yao et al., 2023）、'Reflexion: Language Agents with Verbal Reinforcement Learning'（Shinn et al., 2023）、'Generative Agents: Interactive Simulacra of Human Behavior'（Park et al., 2023）、'Voyager: An Open-Ended Embodied Agent with Large Language Models'（Wang et al., 2023），以及'Scaling Language Agents with Recursive Task Decomposition'（Google DeepMind, 2024）。这些工作共同推动了LLM代理从静态生成向动态、交互式智能体的演进。