基于 LLM 的自主智能体综述

Growth Trend

自主智能体旨在通过自我引导的指令来实现特定目标。随着大型语言模型（LLM）的出现与发展，利用 LLM 作为这些自主智能体的核心控制器已成为一种增长趋势。尽管该领域以往的研究已取得了显著成就，但它们大多仍是各自独立的提案，缺乏系统的分析。为了弥补这一空白，我们进行了一项全面的综述研究，重点关注基于 LLM 的自主智能体的构建、应用和评估。具体而言，我们首先探讨了 AI 智能体的核心组件，包括配置模块、记忆模块、规划模块和行动模块。随后，我们深入研究了基于 LLM 的自主智能体在自然科学、社会科学和工程领域的应用。接着，我们讨论了该领域的评估策略，涵盖了主观和客观两种方法。本综述旨在为研究人员和从业者提供参考资源，分享见解、相关文献，并针对这一令人兴奋且快速发展的领域提供持续更新。

📍 这是该领域第一篇公开发布的关于基于 LLM 的自主智能体的综述论文。

论文链接：A Survey on Large Language Model based Autonomous Agents

更新记录

🔥 [2024/3/25] 我们的综述论文已被《Frontiers of Computer Science》接收，这是该领域第一篇正式发表的综述论文。
🔥 [2023/8/9] 本综述的第二个版本已在 arXiv 上发布。

更新内容：
- 📚 补充参考文献
  - 我们新增了截至 2023 年 9 月 1 日的 31 项新研究，使本综述更加全面和及时。
- 📊 新增图表
  - 图 3： 这是一张新图表，阐述了各种规划方法之间的异同，有助于更清晰地理解不同规划方法之间的对比。
  - 图 4： 这是一张新图表，描述了模型能力从“机器学习时代”到“大语言模型时代”，再到“智能体时代”的演进路径。具体引入了一个新概念——“机制工程”（mechanism engineering），它与“参数学习”和“提示工程”（prompt engineering）共同构成了这一演进路径的一部分。
- 🔍 优化分类系统
  - 我们稍微修改了综述中的分类系统，使其逻辑更加严密、组织更加有序。
🔥 [2023/8/23] 本综述的第一个版本已在 arXiv 上发布。

🤖 基于 LLM 的自主智能体构建

Architecture Design

模型	配置	记忆	规划	行动	CA	论文	代码
WebGPT	-	-	-	-	w/ tools	w/ fine-tuning	Paper
SayCan	-	-	-	w/o feedback	w/o tools	w/o fine-tuning	Paper
MRKL	-	-	-	w/o feedback	w/ tools	-	Paper
Inner Monologue	-	-	-	w/ feedback	w/o tools	w/o fine-tuning	Paper
Social Simulacra	GPT-Generated	-	-	-	w/o tools	-	Paper
ReAct	-	-	-	w/ feedback	w/ tools	w/ fine-tuning	Paper
LLM Planner	-	-	-	w/ feedback	w/o tools	Environment feedback	Paper
MALLM	-	Read/Write	Hybrid	-	w/o tools	-	Paper

Paitesanshi/LLM-Agent-Survey

基于 LLM 的自主智能体综述

更新记录

目录

🤖 基于 LLM 的自主智能体构建