BOLAA: Benchmarking and Orchestrating LLM-augmented Autonomous Agents

解决问题：该论文旨在研究和评估基于大型语言模型（LLMs）的自主代理人（LAAs）的性能，探索其在决策制定和多步推理环境中的应用。该论文提出了一种新的策略，即BOLAA，用于协调多个LAAs，使每个代理人专注于一种类型的行动。

关键思路：该论文提供了一种综合比较LAA的方法，包括代理人架构和LLM骨干。此外，该论文还提出了一种新的策略，即BOLAA，用于协调多个LAAs，使每个代理人专注于一种类型的行动。通过在决策制定和多步推理环境中进行模拟，该论文全面证明了LAAs的能力。

其他亮点：该论文的实现代码已经公开在GitHub上。作者来自Salesforce Research和斯坦福大学，其中Juan Carlos Niebles和Caiming Xiong都是自然语言处理领域的知名学者。该论文的实验设计合理，使用了多个数据集，并提供了详细的结果分析和讨论。

关于作者：Juan Carlos Niebles是斯坦福大学计算机科学系的助理教授，主要研究计算机视觉和机器学习。Caiming Xiong是Salesforce Research的研究科学家，曾在微软和Facebook从事研究工作。他在自然语言处理和计算机视觉领域都有着广泛的研究经验。

相关研究：最近的相关研究包括：“GPT Agents: Improving Sample Efficiency and Lowering Variance in RL with Language Priors”（Yin et al.，CMU）和“Language Models as Cognitive Models: Taking the Best of Both Worlds”（Frank et al.，MIT）。这些研究都探索了基于大型语言模型的自主代理人的应用。

论文摘要：本文介绍了一种新的技术——LLM-augmented Autonomous Agents（LLM增强自主智能体），它利用大型语言模型（LLMs）来生成动作并与环境进行交互，从而能够通过过去的交互（如观察和动作）解决复杂任务。由于对LLM-augmented Autonomous Agents的研究还很新，因此本文提供了关于代理架构和LLM骨干的全面比较。此外，本文还提出了一种新的策略，即BOLAA，它可以编排多个LLM-augmented Autonomous Agents，使每个智能体专注于一种类型的动作，其中控制器管理多个代理之间的通信。作者在决策制定和多步推理环境中进行了模拟实验，全面证明了LLM-augmented Autonomous Agents的能力。本文的表现结果为设计LLM-augmented Autonomous Agents架构和选择最佳LLMs以及两者的兼容性提供了量化建议。作者已将LLM-augmented Autonomous Agents的实现代码公开发布。

内容中包含的图片若涉及版权问题，请及时与我们联系删除