A Survey on LLM-based Multi-Agent System: Recent Advances and New Frontiers in Application

📄 arXiv: 2412.17481v2 📥 PDF

作者: Shuaihang Chen, Yuanxing Liu, Wei Han, Weinan Zhang, Ting Liu

分类: cs.CL, cs.MA

发布日期: 2024-12-23 (更新: 2025-01-07)

备注: 13 pages, 1 figure, 3 tables

💡 一句话要点

综述基于LLM的多智能体系统：最新进展与应用前沿

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

关键词: 大型语言模型 多智能体系统 LLM-MAS 智能体协作 复杂任务解决

📋 核心要点

  1. 现有LLM-MAS综述难以跟上快速发展的研究，无法全面覆盖最新进展。
  2. 论文提出了一个LLM-MAS框架，涵盖了先前的大部分工作，并对应用进行了分类。
  3. 论文总结了LLM-MAS在复杂任务解决、场景模拟和生成代理评估等方面的应用，并指出了未来研究方向。

📝 摘要（中文）

基于大型语言模型（LLM）的多智能体系统（LLM-MAS）已成为研究热点。然而，随着新的相关工作不断涌现，现有的综述难以全面捕捉它们。本文对这些研究进行了全面的调查。我们首先讨论了LLM-MAS的定义，这是一个包含先前大部分工作的框架。我们概述了LLM-MAS在（i）解决复杂任务，（ii）模拟特定场景，以及（iii）评估生成代理等方面的各种应用。在先前研究的基础上，我们还强调了该领域的若干挑战，并提出了未来的研究方向。

🔬 方法详解

问题定义：LLM-MAS旨在利用大型语言模型的能力，构建多个智能体协同完成复杂任务的系统。现有方法的问题在于缺乏一个统一的框架来组织和理解这些研究，并且难以全面把握该领域最新的进展和挑战。

核心思路：论文的核心思路是对现有LLM-MAS的研究进行系统性的梳理和分类，构建一个统一的框架，从而帮助研究者更好地理解该领域的发展现状、应用场景和未来趋势。通过定义LLM-MAS的概念，并将其应用划分为解决复杂任务、模拟特定场景和评估生成代理三个主要类别，从而提供一个更清晰的视角。

技术框架：该论文本质上是一篇综述，其框架主要体现在对现有文献的组织和分类上。它首先定义了LLM-MAS的概念，然后将现有研究按照应用场景进行分类，并对每个类别下的研究进行了详细的分析和总结。最后，论文还提出了该领域面临的挑战和未来的研究方向。

关键创新：该论文的创新之处在于它提供了一个关于LLM-MAS的全面和系统的综述，并提出了一个统一的框架来理解该领域的研究。这有助于研究者更好地把握该领域的发展动态，并为未来的研究提供指导。

关键设计：论文的关键设计在于其对LLM-MAS的定义和应用分类。通过将LLM-MAS定义为一个利用大型语言模型构建的多智能体系统，并将其应用划分为解决复杂任务、模拟特定场景和评估生成代理三个主要类别，论文提供了一个清晰和易于理解的框架。

🖼️ 关键图片

fig_0

📊 实验亮点

该论文是一篇综述，没有具体的实验结果。其亮点在于对LLM-MAS领域进行了全面的梳理和总结，并提出了一个统一的框架。通过对现有研究的分类和分析，论文为研究者提供了一个清晰的视角，并指出了该领域未来的研究方向。

🎯 应用场景

LLM-MAS的研究成果可应用于各种需要多智能体协作的场景，例如：自动化客服、智能交通系统、协同机器人、以及复杂决策制定等。通过利用LLM的强大能力，可以构建更加智能、高效和灵活的多智能体系统，从而提高生产效率和服务质量。

📄 摘要（原文）

LLM-based Multi-Agent Systems ( LLM-MAS ) have become a research hotspot since the rise of large language models (LLMs). However, with the continuous influx of new related works, the existing reviews struggle to capture them comprehensively. This paper presents a comprehensive survey of these studies. We first discuss the definition of LLM-MAS, a framework encompassing much of previous work. We provide an overview of the various applications of LLM-MAS in (i) solving complex tasks, (ii) simulating specific scenarios, and (iii) evaluating generative agents. Building on previous studies, we also highlight several challenges and propose future directions for research in this field.