BOLAA: Benchmarking and Orchestrating LLM-augmented Autonomous Agentsbb
概要：这篇论文主要研究了大语言模型（LLM）增强的自主代理（LAA），并进行了全面的比较。LAA 能够通过其核心 LLM 生成行动并与环境互动，这有助于通过条件化处理过去交互（如观察和行动）来解决复杂任务。由于对 LAA 的研究还比较新颖，因此该论文提供了一个全面的 LAA 比较，包括代理架构和 LLM 背书。此外，作者还提出了一种新的策略来编排多个 LAA，使其各自专注于一种行动类型，即 BOLAA，其中控制器负责管理多个代理之间的通信。作者在决策和多步推理环境中进行了模拟，全面证明了 LAA 的能力。研究结果为设计 LAA 架构、选择最优 LLM 以及两者的兼容性提供了定量建议。
方法：BOLAA 架构将多个LAAs分为两个部分“劳动 LAA ”和“控制器 LAA ”。劳动 LAA 负责执行任务，而控制器 LAA 负责控制劳动 LAA 的工作。控制器 LAA 会根据任务的不同阶段和复杂程度，从劳动 LAA 中选择合适的 LAA 来完成当前任务。在选择 LAA 时，控制器 LAA 会考虑多个因素，如 LAA 的性能、复杂度、知识库等。控制器 LAA 还会为劳动LAA提供一些指导信息，如任务的目标、限制条件等，以帮助劳动LAA更好地完成任务。通过这种方式，BOLAA 架构能够将多个 LAAs 的能力整合起来，形成一个更加灵活、可扩展的系统，以完成各种类型的复杂任务。