Large Language Model Agent: A Survey on Methodology, Applications and Challenges

📄 arXiv: 2503.21460v1 📥 PDF

作者: Junyu Luo, Weizhi Zhang, Ye Yuan, Yusheng Zhao, Junwei Yang, Yiyang Gu, Bohan Wu, Binqi Chen, Ziyue Qiao, Qingqing Long, Rongcheng Tu, Xiao Luo, Wei Ju, Zhiping Xiao, Yifan Wang, Meng Xiao, Chenwu Liu, Jingyang Yuan, Shichang Zhang, Yiqiao Jin, Fan Zhang, Xian Wu, Hanqing Zhao, Dacheng Tao, Philip S. Yu, Ming Zhang

分类: cs.CL

发布日期: 2025-03-27

备注: 329 papers surveyed, resources are at https://github.com/luo-junyu/Awesome-Agent-Papers

🔗 代码/项目: GITHUB

💡 一句话要点

对大型语言模型智能体的方法、应用与挑战进行综述

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

关键词: 大型语言模型 智能体 综述 人工智能 自主学习

📋 核心要点

  1. 现有智能体研究缺乏统一的架构视角，难以理解智能体的构建、协作和演化方式。
  2. 本文提出以方法为中心的分类法，解构LLM智能体系统，揭示设计原则与涌现行为的联系。
  3. 该综述涵盖了LLM智能体的架构、协作、演化、评估、应用和挑战，为未来研究提供方向。

📝 摘要（中文）

本文对大型语言模型（LLM）智能体进行了系统性的综述，LLM智能体具有目标驱动的行为和动态适应能力，代表了通向通用人工智能的关键路径。该综述通过以方法为中心的分类法，解构了LLM智能体系统，连接了架构基础、协作机制和演化路径。通过揭示智能体设计原则与其在复杂环境中涌现行为之间的根本联系，统一了分散的研究思路。本文提供了一个统一的架构视角，考察了智能体的构建方式、协作方式和随时间演化方式，同时还讨论了评估方法、工具应用、实际挑战和多样化的应用领域。通过对这个快速发展领域中的最新进展进行调研，为研究人员提供了一个结构化的分类法来理解LLM智能体，并为未来的研究指明了方向。相关资源可在https://github.com/luo-junyu/Awesome-Agent-Papers获取。

🔬 方法详解

问题定义：当前，大型语言模型（LLM）驱动的智能体正蓬勃发展，但相关研究较为分散，缺乏一个统一的框架来理解和组织这些智能体。现有方法难以系统性地分析智能体的架构设计、协作机制以及随时间演化的能力，阻碍了该领域的进一步发展。因此，需要一个全面的综述来整合现有知识，并为未来的研究提供指导。

核心思路：本文的核心思路是通过构建一个以方法为中心的分类体系，来系统性地解构LLM智能体。该分类体系将智能体分解为架构基础、协作机制和演化路径三个关键维度，并分析这些维度之间的相互作用。通过这种方式，可以揭示智能体设计原则与其在复杂环境中涌现行为之间的根本联系，从而更好地理解LLM智能体的本质。

技术框架：本文的综述框架主要包含以下几个部分： 1. 架构基础：研究智能体的基本构建模块，例如记忆、规划和行动等。 2. 协作机制：探讨多个智能体如何协同工作以完成复杂任务。 3. 演化路径：分析智能体如何随时间学习和适应环境变化。 4. 评估方法：总结用于评估智能体性能的各种指标和方法。 5. 应用领域：概述LLM智能体在不同领域的应用，例如游戏、医疗和金融等。 6. 实际挑战：讨论LLM智能体当前面临的挑战，例如安全性和可解释性等。

关键创新：本文的关键创新在于提出了一个以方法为中心的分类法，用于系统性地分析和理解LLM智能体。与以往的综述不同，本文不仅仅是简单地罗列现有研究，而是深入探讨了智能体设计原则与其涌现行为之间的联系。此外，本文还对LLM智能体的评估方法、应用领域和实际挑战进行了全面的总结。

关键设计：本文主要关注LLM智能体的整体架构和设计原则，而非具体的参数设置或网络结构。关键的设计考量包括：如何有效地利用LLM的知识和推理能力，如何设计智能体的记忆和规划机制，以及如何实现智能体之间的有效协作。此外，本文还强调了评估方法的重要性，并提出了针对LLM智能体的评估指标。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

本文是一篇综述性文章，没有具体的实验结果。其亮点在于对LLM智能体领域进行了全面的梳理和总结，提出了一个结构化的分类法，并指出了未来研究的潜在方向。通过对现有研究的整合和分析，本文为研究人员提供了一个清晰的路线图，有助于推动该领域的进一步发展。

🎯 应用场景

LLM智能体在多个领域具有广泛的应用前景，包括但不限于：自动化客服、智能助手、游戏AI、医疗诊断辅助、金融风险管理、教育辅导等。通过赋予机器更强的自主性和决策能力，LLM智能体有望显著提高工作效率，改善用户体验，并解决复杂问题。未来，随着技术的不断发展，LLM智能体将在更多领域发挥重要作用。

📄 摘要（原文）

The era of intelligent agents is upon us, driven by revolutionary advancements in large language models. Large Language Model (LLM) agents, with goal-driven behaviors and dynamic adaptation capabilities, potentially represent a critical pathway toward artificial general intelligence. This survey systematically deconstructs LLM agent systems through a methodology-centered taxonomy, linking architectural foundations, collaboration mechanisms, and evolutionary pathways. We unify fragmented research threads by revealing fundamental connections between agent design principles and their emergent behaviors in complex environments. Our work provides a unified architectural perspective, examining how agents are constructed, how they collaborate, and how they evolve over time, while also addressing evaluation methodologies, tool applications, practical challenges, and diverse application domains. By surveying the latest developments in this rapidly evolving field, we offer researchers a structured taxonomy for understanding LLM agents and identify promising directions for future research. The collection is available at https://github.com/luo-junyu/Awesome-Agent-Papers.