A Survey on Large Language Model based Autonomous Agents

要約

自律エージェントは、学術コミュニティと業界コミュニティの両方で長い間、顕著な研究の焦点となってきました。
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 ベースの自律エージェントを調査する研究が急増しました。
このペーパーでは、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 LLM ベースの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、最初に LLM ベースの自律エージェントの構築について説明し、これまでの研究の大部分を網羅する統一フレームワークを提案します。
次に、社会科学、自然科学、工学の分野における LLM ベースの自律エージェントの多様なアプリケーションの包括的な概要を示します。
最後に、LLM ベースの自律エージェントに一般的に使用される評価戦略を詳しく掘り下げます。
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。
この分野を追跡し、調査を継続的に更新するために、https://github.com/Paitesanshi/LLM-Agent-Survey に関連する参考文献のリポジトリを維持しています。

要約(オリジナル)

Autonomous agents have long been a prominent research focus in both academic and industry communities. Previous research in this field often focuses on training agents with limited knowledge within isolated environments, which diverges significantly from 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 LLM-based autonomous agents. In this paper, we present a comprehensive survey of these studies, delivering a systematic review of the field of LLM-based autonomous agents from a holistic perspective. More specifically, we first discuss the construction of LLM-based autonomous agents, for which we propose a unified framework that encompasses a majority of the previous work. Then, we present a comprehensive overview of the diverse applications of LLM-based autonomous agents in the fields of social science, natural science, and engineering. Finally, we delve into the evaluation strategies commonly used for LLM-based autonomous 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 of relevant references at https://github.com/Paitesanshi/LLM-Agent-Survey.

arxiv情報

著者 Lei Wang,Chen Ma,Xueyang Feng,Zeyu Zhang,Hao Yang,Jingsen Zhang,Zhiyuan Chen,Jiakai Tang,Xu Chen,Yankai Lin,Wayne Xin Zhao,Zhewei Wei,Ji-Rong Wen
発行日 2023-09-07 04:42:48+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.CL パーマリンク