Multi-Agent Systems Powered by Large Language Models: Applications in Swarm Intelligence

📄 arXiv: 2503.03800v1 📥 PDF

作者: Cristian Jimenez-Romero, Alper Yegenoglu, Christian Blum

分类: cs.MA, cs.AI, cs.CL, cs.LG

发布日期: 2025-03-05

🔗 代码/项目: GITHUB

💡 一句话要点

提出基于LLM驱动的多智能体系统，用于模拟和研究群体智能。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多智能体系统 大型语言模型 群体智能 涌现行为 NetLogo 提示工程 蚁群算法 鸟群算法

📋 核心要点

  1. 传统多智能体系统依赖硬编码规则，缺乏适应性和泛化能力，难以模拟复杂环境下的涌现行为。
  2. 利用LLM的强大语言理解和生成能力，通过提示工程驱动智能体行为，使其能够根据环境变化自适应地做出决策。
  3. 通过蚁群觅食和鸟群聚集两个案例研究，验证了该方法在模拟群体智能和诱导涌现行为方面的有效性。

📝 摘要（中文）

本研究探讨了将大型语言模型（LLM）集成到多智能体仿真中，用LLM驱动的提示替换智能体的硬编码程序。所提出的方法在群体智能领域的两个复杂系统示例中进行了展示：蚁群觅食和鸟群聚集。本研究的核心是一个工具链，它将LLM与NetLogo仿真平台集成，利用其Python扩展通过OpenAI API实现与GPT-4o的通信。该工具链促进了提示驱动的行为生成，使智能体能够自适应地响应环境数据。对于上述两个示例应用，我们采用了结构化的、基于规则的提示和自主的、知识驱动的提示。我们的工作展示了该工具链如何使LLM能够研究自组织过程，并在多智能体环境中诱导涌现行为，从而为探索智能系统和建模受自然现象启发的群体智能开辟了新途径。我们提供了代码，包括仿真文件和数据，网址为https://github.com/crjimene/swarm_gpt。

🔬 方法详解

问题定义：现有基于规则的多智能体系统在模拟复杂环境下的群体智能行为时，面临着智能体行为僵化、难以适应动态环境以及涌现行为难以预测等问题。传统的硬编码方式难以捕捉自然界中生物群体智能的灵活性和自组织性。

核心思路：本研究的核心在于利用大型语言模型（LLM）作为智能体的“大脑”，通过提示工程（Prompt Engineering）来控制智能体的行为。LLM能够理解自然语言指令，并根据环境信息生成相应的行动策略，从而使智能体具备更强的适应性和泛化能力。这种方法旨在将LLM的知识推理能力与多智能体系统的交互能力相结合，以模拟和研究复杂的群体智能现象。

技术框架：该研究构建了一个基于NetLogo仿真平台的工具链，该工具链通过Python扩展与OpenAI API连接，从而实现与GPT-4o的通信。智能体在NetLogo环境中感知环境信息，并将这些信息作为提示的一部分发送给LLM。LLM根据提示生成智能体的行动指令，然后智能体在NetLogo环境中执行这些指令。整个流程形成一个闭环，使智能体能够根据环境反馈不断调整自己的行为。

关键创新：该研究的关键创新在于将LLM作为多智能体系统的核心决策引擎，取代了传统的硬编码规则。这种方法使得智能体能够利用LLM的知识和推理能力，从而实现更智能、更灵活的行为。此外，该研究还探索了不同类型的提示（例如，基于规则的提示和基于知识的提示）对智能体行为的影响。

关键设计：研究中使用了两种类型的提示：结构化的、基于规则的提示和自主的、知识驱动的提示。结构化提示预先定义了智能体的行为规则，而知识驱动的提示则允许LLM根据自身的知识和推理能力来生成智能体的行为。研究人员还探索了不同的提示策略，例如，如何将环境信息有效地编码到提示中，以及如何控制LLM生成行为的多样性。

📊 实验亮点

该研究通过蚁群觅食和鸟群聚集两个案例研究，验证了基于LLM的多智能体系统在模拟群体智能方面的有效性。实验结果表明，该方法能够成功地诱导涌现行为，例如，蚁群能够有效地找到食物源，鸟群能够形成协调一致的飞行模式。虽然论文中没有给出具体的性能数据，但提供的代码和仿真文件为后续研究提供了基础。

🎯 应用场景

该研究成果可应用于机器人集群控制、交通流量优化、资源分配、以及社会行为建模等领域。通过模拟复杂系统中的涌现行为，可以更好地理解和预测系统行为，从而为实际应用提供决策支持。此外，该方法还可以用于开发更智能、更自主的机器人系统，使其能够更好地适应复杂多变的环境。

📄 摘要（原文）

This work examines the integration of large language models (LLMs) into multi-agent simulations by replacing the hard-coded programs of agents with LLM-driven prompts. The proposed approach is showcased in the context of two examples of complex systems from the field of swarm intelligence: ant colony foraging and bird flocking. Central to this study is a toolchain that integrates LLMs with the NetLogo simulation platform, leveraging its Python extension to enable communication with GPT-4o via the OpenAI API. This toolchain facilitates prompt-driven behavior generation, allowing agents to respond adaptively to environmental data. For both example applications mentioned above, we employ both structured, rule-based prompts and autonomous, knowledge-driven prompts. Our work demonstrates how this toolchain enables LLMs to study self-organizing processes and induce emergent behaviors within multi-agent environments, paving the way for new approaches to exploring intelligent systems and modeling swarm intelligence inspired by natural phenomena. We provide the code, including simulation files and data at https://github.com/crjimene/swarm_gpt.