Multi-Agent Causal Discovery Using Large Language Models

大型语言模型（LLMs）利用其广泛的文本语料库中的丰富专业知识，在因果发现任务中展示了显著的潜力。然而，LLMs在因果发现中的多智能体能力仍未得到充分探索。本文介绍了一个通用框架来研究这种潜力。第一个是元智能体模型，它完全依赖LLM智能体之间的推理和讨论来进行因果发现。第二个是编码智能体模型，它利用智能体规划、编写和执行代码的能力，利用先进的统计库进行因果发现。第三个是混合模型，它集成了元智能体模型和编码智能体模型方法，结合了多个智能体的统计分析和推理能力。我们提出的框架通过有效利用LLMs的专业知识、推理能力、多智能体合作和统计因果方法，展示了有希望的结果。通过探索LLMs的多智能体潜力，我们旨在为进一步研究利用LLMs多智能体解决因果相关问题奠定基础。

探索利用大型语言模型的多智能体在因果关系发现中的潜力，提出一个通用框架来研究这个潜力

提出了三种基于大型语言模型的多智能体模型，分别是Meta Agents Model、Coding Agents Model和Hybrid Model，分别利用模型的推理、编码和统计分析能力来进行因果关系发现，通过多智能体的合作和统计方法的结合，有效地利用了大型语言模型的专业知识和推理能力

论文的三个模型都在不同程度上展示了利用大型语言模型的多智能体在因果关系发现中的潜力，实验结果表明这些模型可以在因果关系发现任务中取得不错的效果，这个框架为进一步研究利用大型语言模型的多智能体解决因果相关问题奠定了基础

最近的相关研究包括利用大型语言模型进行因果关系发现的研究，以及多智能体系统在其他任务中的应用研究，如对话系统和博弈论等。例如，论文《Causal Discovery from Text Using Neural Networks: A Quantitative Evaluation》和《Multi-agent systems》等