Cohesive Conversations: Enhancing Authenticity in Multi-Agent Simulated Dialogues

本文研究了由大型语言模型（LLMs）驱动的模拟中多智能体对话的质量，重点关注了Park等人（2023年）的一个案例研究，其中25个智能体参与了为期一天的生活模拟，展示了复杂的行为和互动。通过分析多个会话中的对话和记忆，发现了重复、不一致和幻觉等重要问题，这些问题被错误信息的传播所加剧。为了应对这些挑战，我们提出了一个新的筛选、诊断和再生（SDR）框架，通过一个全面的过程来检测和纠正话语错误，包括立即问题识别、从过去的对话中收集证据和对话修订的LLM分析。SDR框架的有效性通过GPT-4评估和人类评估得到验证，显示出对话一致性、多样性和减少虚假信息的显著改善。本文提出了一种开创性的方法来提高多智能体模拟中对话质量，为未来研究建立了新的标准。

本文旨在解决基于大型语言模型的多智能体对话质量问题，提出了一个新的SDR框架。

SDR框架包括立即问题识别、过去对话证据收集和LLM分析来修正话语错误，有效提高了对话的一致性和多样性。

实验验证了SDR框架的有效性，证明其在对话一致性、多样性和减少虚假信息方面有显著改善。该研究为提高多智能体模拟中对话质量提供了新思路。

最近的相关研究包括Park等人的案例研究，以及对话生成和多智能体系统方面的其他研究，如Mueller等人的《Neural Response Generation》和Jain等人的《Learning Cooperative Visual Dialog Agents with Deep Reinforcement Learning》。