[論文レビュー] Multi-Agent Collaboration: Harnessing the Power of Intelligent LLM Agents

Yashar Talebirad, Amirhossein Nadiri|arXiv (Cornell University)|Jun 5, 2023

Artificial Intelligence in Law被引用数 50

ひとこと要約

本論文は複数の知的生成エージェント（IGAs）とプラグインを調整してLLMの能力を高める一般的なマルチエージェントフレームワークを提案し、その適用性をAuto-GPT、BabyAGI、およびGorilla風システムに対して実証している。

ABSTRACT

In this paper, we present a novel framework for enhancing the capabilities of large language models (LLMs) by leveraging the power of multi-agent systems. Our framework introduces a collaborative environment where multiple intelligent agent components, each with distinctive attributes and roles, work together to handle complex tasks more efficiently and effectively. We demonstrate the practicality and versatility of our framework through case studies in artificial general intelligence (AGI), specifically focusing on the Auto-GPT and BabyAGI models. We also examine the "Gorilla" model, which integrates external APIs into the LLM. Our framework addresses limitations and challenges such as looping issues, security risks, scalability, system evaluation, and ethical considerations. By modeling various domains such as courtroom simulations and software development scenarios, we showcase the potential applications and benefits of our proposed multi-agent system. Our framework provides an avenue for advancing the capabilities and performance of LLMs through collaboration and knowledge exchange among intelligent agents.

研究の動機と目的

• IGAs間の一般的なマルチエージェント協働フレームワークを Introduce a general framework for multi-agent collaboration among IGAs to push toward more capable AI systems and potential AGI.
• Adaptiveで動的なシステム構成を可能にし、エージェントの追加/削除を通じて多様なタスクを処理する。
• エージェント間および自己フィードバック機構を通じた知識交換とエラー緩和を促進する。
• 既存のAGIフレームワークとその構成要素（エージェント、プラグイン、 memories、 APIs）をモデル化できる構造化抽象化を提供する。
• 実用的なユースケース（法廷シミュレーション、ソフトウェア開発）を強調し、課題と機会を論じる。

提案手法

• マルチエージェント環境をIGAsとプラグインのblack-boxグラフG(V,E)としてモデル化する。
• 各エージェントをタプルA_i=(L_i,R_i,S_i,C_i,H_i)として表現し、モデル、役割、状態、エージェント作成能力、停止権限を詳述する。
• 各プラグインをタプルP_j=(F_j,C_j,U_j)として、機能、設定、使用制約を表す。
• メッセージの交換をm=(S_m,A_m,D_m)として、エージェント間のエッジEを介してタスク、報告、要求を可能にする。
• システム設計の手順を説明：エージェントの役割を割り当て、エージェントをプラグインに接続し、エージェント–エージェントの通信を有効にし、作成/停止権限を管理する。
• capable agents can instantiate new agents with inherited properties and connectionsを動的なエージェント追加として導入する。
• フィードバック機構を組み込み：エージェント間フィードバックと自己フィードバックを用いて戦略と性能を改善する。
• 孤立入力のためにstateless/memory-lessなOracleエージェントを定義し、他エージェントへのユーティリティ（例：フィードバック）として機能させる。
• 停止/監視機構を組み込み、Supervisor Agentを介して望ましくないエージェント挙動を管理・停止する。
• IGAが全体のシステム構造と役割を設計・洗練できる自律的なシステム設計を提案する。

実験結果

リサーチクエスチョン

• RQ1 複数のIGAsのフレームワークは、孤立したLLMと比較してタスク性能を向上させられるか。
• RQ2 エージェント、プラグイン、通信をどのようにモデリングすれば、効率的な協働とスケーラビリティを実現できるか。
• RQ3 マルチエージェントダイナミクスを制御するための有効なメカニズム（フィードバック、監視、停止）は何か。
• RQ4 既存のAGIフレームワーク（Auto-GPT、BabyAGI、Gorilla）を提案フレームワークにマッピングして設計と運用を改善できるか。
• RQ5 法曹やソフトウェア開発などの領域でこのようなフレームワークを展開する際の実践的な適用例と課題は何か。

主な発見

• フレームワークは、エージェントとプラグインへコンポーネントをマッピングすることでAuto-GPT、BabyAGI、およびGorilla風モデルに適用可能であることを示している。
• ダイナミックなエージェント作成と監督機構は、ワークロードの管理、ループの緩和、協働の改善に役立つ。
• エージェント間および自己フィードバックといったフィードバック機構は、常時人間の介入なしに学習と適応を可能にする。
• ケーススタディは、マルチエージェント抽象化の中で複雑な領域（法廷シミュレーションとソフトウェア開発）をモデル化する事例を示している。
• フレームワークは、ループ、セキュリティ、スケーラビリティ、評価、倫理といった制約を特定し、潜在的な改善と安全策を論じている。
• 専門的なSupervisor Agentが進捗を監視し、停滞や逸脱を防ぐために停止をトリガーすることができる。