近期,复旦大学自然语言处理团队(FudanNLP)推出 LLM-based Agents 综述论文,全文长达 86 页,共有 600 余篇参考文献!作者们从 AI Agent 的历史出发,全面梳理了基于大型语言模型的智能代理现状,包括:LLM-based Agent 的背景、构成、应用场景、以及备受关注的代理社会。同时,作者们探讨了 Agent 相关的前瞻开放问题,对...
智能代理(AI Agents)长期以来都被视为通往人工通用智能(AGI)的一条希望途径,预期中其能够通过自主规划和指令来自动完成相关任务。然而,早期的代理通常是一种编程实体,其通过传感器感知环境,再通过执行器对环境进行操作,以自主实现用户的特定目标。该类代理已被大量
图片来源：Lilian Weng “LLM Powered Autonomous Agents”1. 工具（Tools）：在这张图中，工具如“日历（Calendar）”、“计算器（Calculator）”和“搜索（Search）”对应于AI系统的基础功能，可以类比于LLM层，它们提供了数据处理和基础交互的能力。2. 代理（Agent）： 图中的代理（Agent）代表AI Agent的核心，负...
③ 具身智能模拟环境(simulators)可以让 Agents 通过与环境互动、探索和奖励反馈来学习,但这些 Agents 在新的具身任务中的泛化能力与上述领域相比仍有差距。 5、当前没有工作展示 LLMs 中的语言知识可以用于在线 RL 问题,并用于改善具身智能 Agent 的泛化能力,苹果的研究者为此通过多样化的评估集来探索这种能力,在关...
过去几年里,人们不断猜测下一轮 AI 的发展方向:会是智能体(Agents)?推理模型(Reasoners)?还是真正的多模态(Multimodality)? 但现在,是时候下结论了: AI 模型本身,就是未来的产品。 目前,无论是研究还是市场的发展趋势,都在推动这个方向。 为什么这么说?
本质上AI Agents是一个依赖于大语言模型(LLM)的业务组件,是LLM在企业场景落地中的手段,而且不仅一种手段。我觉得目前有三种主流的AI Agents的采用方式,纯个人观点,不代表任何官方意见。 AI Agents三个流派 1. 生态增强派 代表:钉钉、Coze以及微信(和企业微信,这两天终于开始发力了)等都属于这一派; ...
Agents Is All You Need: 众智成城提升 LLM 效果 LLM在自然语言处理领域取得突破性进展,但仍面临准确性不足挑战。Sampling-and-Voting方法通过多个LLM代理的集体智慧,有效提升LLM性能,在算术推理、一般推理、代码生成等任务上取得显著提升。 关键词: LLM, 性能提升, Sampling-and-Voting, 集体智慧, 多代理协作...
这种全面的阶段覆盖确保了对LLMs和Agents的全方位理解。 3. 最新研究:相比于2023年、2024年和2025年的其他研究,本篇survey在所有关键阶段都提供了深入的见解和分析,确保读者获得最新和最全面的信息。 4. 多模态支持:本篇survey不仅支持单模态,还支持多模态的LLM和Agent,反映了当前技术发展的趋势和需求。 通过这些...
本篇主要针对LLM-based Agent,即Agent基于大语言模型进行思考规划,获取信息,并从大模型与外界学习知识并自学习与利用。 多智能体Multi-Agent则是可以通过多个Agent进行协作配合完成更复杂的工作。 特点: - 自主AI代理是根据给定的目标进行训练工作的 - 拥有LLM(大语言模型)之外的规划、内存、工具使用、反思能力 - 具...
语言代理的认知架构 - Cognitive Architectures for Language Agents (CoALA) 架构指导构建 虽然基于 LLM 的 Agent 已经取得了实质性的经验成功,但缺乏一个系统的框架来组织现有的代理和规划未来的发展。 语言代理的认知架构(CoALA)利用认知科学和符号 AI 的丰富历史,描述了一个具有模块化内存组件的语言代理、一个与内...