[论文解读] BMW Agents -- A Framework For Task Automation Through Multi-Agent Collaboration

N Crawford, Edward Duffy+6 more|arXiv (Cornell University)|Jun 28, 2024

Multi-Agent Systems and Negotiation被引用 4

一句话总结

BMW Agents 提出了一种可扩展、模块化的多智能体框架，用于使用大语言模型（LLMs）进行工业任务自动化，通过结构化规划、工具集成和情景记忆实现协作工作流。该框架通过可重用的智能体单元、人机协同反馈以及可重启执行，支持复杂的真实世界应用，实现了在各种企业工作负载中稳健、生产就绪的自动化。

ABSTRACT

Autonomous agents driven by Large Language Models (LLMs) offer enormous potential for automation. Early proof of this technology can be found in various demonstrations of agents solving complex tasks, interacting with external systems to augment their knowledge, and triggering actions. In particular, workflows involving multiple agents solving complex tasks in a collaborative fashion exemplify their capacity to operate in less strict and less well-defined environments. Thus, a multi-agent approach has great potential for serving as a backbone in many industrial applications, ranging from complex knowledge retrieval systems to next generation robotic process automation. Given the reasoning abilities within the current generation of LLMs, complex processes require a multi-step approach that includes a plan of well-defined and modular tasks. Depending on the level of complexity, these tasks can be executed either by a single agent or a group of agents. In this work, we focus on designing a flexible agent engineering framework with careful attention to planning and execution, capable of handling complex use case applications across various domains. The proposed framework provides reliability in industrial applications and presents techniques to ensure a scalable, flexible, and collaborative workflow for multiple autonomous agents working together towards solving tasks.

研究动机与目标

• 为解决单智能体 LLM 在工业自动化中的局限性，通过支持协作式多智能体任务执行来实现改进。
• 设计一种灵活、可扩展的框架，能够与现有 IT 生态系统（包括遗留系统）集成。
• 通过结构化规划、工具使用和错误恢复机制，提升 AI 驱动工作流的可靠性和可扩展性。
• 通过引入人机反馈和情景记忆，增强学习能力与有状态的任务执行。
• 通过支持可重启、模块化和可审计的工作流，实现生产级别的自动化。

提出的方法

• 该框架采用模块化的智能体单元，由具有特定角色和工具的专用智能体（如规划者、编码者、测试者、批评者）组成。
• 采用语义匹配与提及驱动的消息路由相结合的混合智能体选择策略，实现动态任务分配。
• 采用对话式计划-推理-行动（ConvPlanReAct）提示策略，实现智能体之间的结构化多轮对话。
• 通过隐式输入/输出模式在每一步对工具进行优化，确保函数调用的准确性和可靠性。
• 情景记忆用于存储和检索过往任务结果，支持上下文感知推理并在不同计划间复用。
• 系统支持有意和偶然的人机反馈，并可通过记忆实现从最后一个有效状态恢复的重启功能。

Figure 1: Generic agent workflow starting with user input and ending with providing workflow output. Agent Workflow highlights major components and levels of the workflow with (1) Planning, (2) Execution, and (3) Verification done by dedicated agents.

实验结果

研究问题

• RQ1 多智能体协作如何提升工业场景中基于 LLM 的任务自动化在可靠性和可扩展性方面的表现？
• RQ2 哪些架构模式能够实现 AI 智能体与现有企业 IT 生态系统的无缝集成？
• RQ3 情景记忆和结构化提示如何增强智能体推理能力与任务连续性？
• RQ4 在复杂、多步骤工作流中，哪些机制可确保工具使用的稳健性与错误恢复能力？
• RQ5 如何有效将人机反馈整合到自主智能体工作流中，以提升结果质量？

主要发现

• 该框架通过利用情景记忆实现从最后一个有效任务重启可重启工作流，实现了稳定、生产就绪的自动化。
• ConvPlanReAct 提示策略成功将 ReAct 扩展为多智能体对话，提升了协作效率与任务分解能力。
• 通过动态优化和基于模式的输入/输出验证，工具使用得到增强，显著提升了可靠性与准确性。
• 情景记忆使智能体能够访问并复用先前任务的结果，提升了计划间效率与一致性。
• 有意和偶然的人机反馈被有效整合到工作流中，显著提升了最终输出质量与适应能力。
• 该框架支持在多样化应用场景（如文档编辑和软件开发）中实现模块化、领域无关的工作流，展现出广泛的工业适用性。

Figure 2: Components contributing to initialization of an Agent. Dashed lines indicate optional components.