A Survey on Large Language Model based Autonomous Agents

要約

自律エージェントは、学術コミュニティにおいて長い間重要な研究テーマでした。
この分野におけるこれまでの研究は、隔離された環境内で限られた知識を持つエージェントを訓練することに焦点を当てていることが多く、これは人間の学習プロセスから大幅に逸脱しており、そのためエージェントが人間のような意思決定を達成することが困難になっています。
最近、膨大な量の Web 知識の獲得により、大規模言語モデル (LLM) が人間レベルの知能を達成する際の顕著な可能性を実証しました。
これにより、LLM に基づく自律エージェントを調査する研究が急増しました。
LLM の可能性を最大限に活用するために、研究者はさまざまなアプリケーションに合わせたさまざまなエージェント アーキテクチャを考案しました。
この論文では、これらの研究の包括的な調査を紹介し、全体的な観点から自律エージェントの分野を体系的にレビューします。
より具体的には、私たちは LLM ベースのエージェントの構築に焦点を当てており、これまでの作業の大部分を網羅する統一フレームワークを提案しています。
さらに、社会科学、自然科学、工学の分野における LLM ベースの AI エージェントのさまざまなアプリケーションの概要も提供します。
最後に、LLM ベースの AI エージェントに一般的に採用されている評価戦略について説明します。
これまでの研究に基づいて、この分野におけるいくつかの課題と将来の方向性も示します。
このフィールドを追跡し、調査を継続的に更新するために、関連する参考資料のリポジトリを https://github.com/Paitesanshi/LLM-Agent-Survey に維持しています。

要約(オリジナル)

Autonomous agents have long been a prominent research topic in the academic community. Previous research in this field often focuses on training agents with limited knowledge within isolated environments, which diverges significantly from the human learning processes, and thus makes the agents hard to achieve human-like decisions. Recently, through the acquisition of vast amounts of web knowledge, large language models (LLMs) have demonstrated remarkable potential in achieving human-level intelligence. This has sparked an upsurge in studies investigating autonomous agents based on LLMs. To harness the full potential of LLMs, researchers have devised diverse agent architectures tailored to different applications. In this paper, we present a comprehensive survey of these studies, delivering a systematic review of the field of autonomous agents from a holistic perspective. More specifically, our focus lies in the construction of LLM-based agents, for which we propose a unified framework that encompasses a majority of the previous work. Additionally, we provide a summary of the various applications of LLM-based AI agents in the domains of social science, natural science, and engineering. Lastly, we discuss the commonly employed evaluation strategies for LLM-based AI agents. Based on the previous studies, we also present several challenges and future directions in this field. To keep track of this field and continuously update our survey, we maintain a repository for the related references at https://github.com/Paitesanshi/LLM-Agent-Survey.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google