multi-Agent调研
原文：Large Language Model based Multi-Agents: A Survey of Progress and Challenges
大型语言模型（LLM）在广泛的任务中取得了显着的成功。 由于LLM令人印象深刻的规划和推理能力，他们已被用作自主代理来自动完成许多任务。 最近，基于使用一个LLM作为单一规划或决策代理的发展，基于LLM的多代理系统在复杂问题解决和世界模拟方面取得了相当大的进展。 为了向社区提供对这个动态领域的概述，我们提出这项综述，以深入讨论基于LLM的多智能体系统的基本方面以及挑战。 我们的目标是让读者获得对以下问题的深入见解：
- 基于 LLM 的多智能体模拟哪些领域和环境？
- 这些代理的概况如何？他们如何通信？
- 哪些机制有助于代理的能力的增长？
对于那些有兴趣深入研究这一领域的人，我们还总结了常用的数据集或基准，以方便他们访问。 为了让研究人员了解最新研究，我们维护了一个开源 GitHub 存储库，专门概述基于 LLM 的多智能体系统的研究。
https://github.com/taichengguo/LLM_MultiAgents_Survey_Papers
Single-Agent VS Multi-Agent Systems区别: 基于LLM的单代理系统已经显示出令人鼓舞的认知能力。 此类系统的构建集中于制定其内部机制以及与外部环境的相互作用。 相反，LLM-MA 系统强调多样化的agent profiles、代理间交互和集体决策过程。 从这个角度来看，更多动态和复杂的任务可以通过多个自主代理的协作来解决，每个自主代理都配备独特的策略和行为，并相互通信。
重要问题： How are LLM-MA systems aligned with the collaborative task-solving environment?
Our analysis dissects the operational framework of these systems, focusing on four key aspects: the agents-environment interface, agent profil- ing, agent communication, and agent capability acquisition.
In this survey, we first systematically review the development of LLM-MA systems by positioning, differentiating, and connecting them from various aspects, regarding the agents environment interface, the characterization of agents by LLMs, the strategies for managing agent communication and the paradigms for capability acquisition. We also summarized LLM-MA applications for problem-solving and world simulation.
在本次综述中，我们首先系统地回顾了LLM-MA系统的发展，从代理环境接口、LLM对代理的描述、管理代理通信的策略以及能力获取的范式等各个方面对它们进行定位、区分和连接。
multi-Agent框架
multi-agent，以特定方式连接的语言模型驱动的多个独立参与者，agent之间如何进行连接。：状态机
langchain框架 “如果一个代理都不能很好地工作，那么为什么多个代理会有用呢？”
- 对工具/职责进行分组可以带来更好的结果。与必须从数十种工具中进行选择相比，代理更有可能在专注的任务上取得成功。
- 单独的提示可以给出更好的结果。每个提示都可以有自己的说明和少量示例。每个Agent甚至可以由单独的LLM提供支持
- 有助于开发概念模型。您可以单独评估和改进每个代理，而不会破坏较大的应用程序。 multi-Agent设计允许您将复杂的问题划分为易于处理的工作单元，这些工作单元可以由专门的代理和LLM项目来定位。
GPT Researcher 是一个智能体代理，专为各种任务的综合在线研究而设计。
代理可以生成详细、正式且客观的研究报告，并提供自定义选项，专注于相关资源、结构框架和经验报告。受最近发表的Plan-and-Solve 和RAG 论文的启发，GPT Researcher 解决了速度、确定性和可靠性等问题，通过并行化的代理运行，而不是同步操作，提供了更稳定的性能和更高的速度。
CrewAI: 用于编排角色扮演、自主人工智能代理的尖端框架。通过促进协作智能，CrewAI 使代理能够无缝协作，处理复杂的任务。
-
Autogen：虽然 Autogen 在创建能够协同工作的会话代理方面做得很好，但它缺乏固有的流程概念。 在 Autogen 中，编排代理的交互需要额外的编程，随着任务规模的增长，这可能会变得复杂和繁琐。
-
ChatDev：ChatDev 将流程的概念引入人工智能代理领域，但其实现相当僵化。 ChatDev 中的自定义是有限的，并且不适合生产环境，这可能会阻碍实际应用程序中的可扩展性和灵活性。
CrewAI 的优势：CrewAI 在构建时就考虑到了生产。 它提供了 Autogen 对话代理的灵活性和 ChatDev 的结构化流程方法，但没有僵化。 CrewAI 的流程设计为动态且适应性强，可无缝融入开发和生产工作流程。