关于多生成智能体系统的综述：最新进展与新前沿

多生成智能体系统（MGASs）自大规模语言模型（LLMs）兴起以来，已成为研究的热点。然而，随着新相关研究的不断涌现，现有的综述文章难以全面覆盖这些进展。本文对这些研究进行了全面的综述。我们首先讨论了MGAS的定义，并提供了一个框架，涵盖了大量的前期工作。接着，我们概述了MGAS在以下几个方面的应用：（i）解决复杂任务，（ii）模拟特定场景，以及（iii）评估生成智能体。此外，基于以往的研究，我们还重点指出了一些挑战，并提出了该领域未来研究的方向。

1 引言

多智能体系统（MAS）因其适应性和解决复杂分布式问题的能力，得到了显著扩展（Balaji 和 Srinivasan，2010）。与单智能体设置（Gronauer 和 Diepold，2022）相比，MAS 更能准确地反映现实世界，因为许多实际应用自然涉及多个决策者的同时互动。然而，由于传统强化学习（RL）智能体的参数限制以及缺乏通用知识和能力，智能体无法解决复杂的决策任务，例如与其他智能体合作进行开发（Qian 等，2024b）。近年来，大规模语言模型（LLMs），如 Llama 3（Dubey 等，2024）和 GPT-4（OpenAI 等，2024），在大量网络语料库上进行训练并取得了显著成功（Radford 等）。与强化学习相比，以 LLM 为核心控制智能体的生成智能体，即使没有经过训练，也能在推理、长时间决策等方面表现得更好（Shinn 等，2023）。此外，生成智能体提供了自然语言接口，便于与人类进行互动，使这些互动更加灵活且更易于解释（Park 等，2023）。

基于这些优势，多生成智能体系统（MGAS）应运而生。研究人员已经对这些新兴工作进行了综述，并提出了一个通用框架（Guo 等，2024）。然而，随着相关研究数量的不断增长，出现了一些超出原框架范围的工作。本文基于以往对多生成智能体系统（MGASs）的综述，提供了一个新的视角，重点讨论了最新的进展并探讨了潜在的研究方向。我们收集了 2023 和 2024 年在顶级人工智能会议（如 *ACL、NeurIPS、AAAI 和 ICLR）上发表的 125 篇论文，并结合一些尚未发表但有价值的 arXiv 论文。根据 MGAS 的应用目的，我们将其应用总结为：任务求解、特定问题的仿真以及生成智能体的评估。图 1 展示了我们提出的 MGAS 应用框架。（i）解决复杂任务。多智能体将自然地将任务拆分为子任务，从而提高任务的执行性能。（ii）特定场景的仿真。研究人员将 MGAS 视为一个沙盒，用于模拟特定领域中的问题。（iii）生成智能体的评估。与传统任务评估相比，MGAS 具备动态评估的能力，更加灵活且更难发生数据泄漏。对于每一类应用，我们将讨论代表性的 MGAS、资源及其评估。 与之前的综述（Wang 等，2024a；Zhao 等，2024c；Chuang 和 Rogers，2023；Guo 等，2024；Gao 等，2023a；Gronauer 和 Diepold，2022）相比，本文的独特贡献如下：（i）与当前趋势高度相关的分类法：我们基于 MGAS 应用目的，提出了一个更为近期的分类法（如图 1 所示）。（ii）更多的资源：我们分析了开放源代码框架以及具有基准或数据集的研究工作，以便为研究社区提供便利。（iii）挑战与未来：我们讨论了 MGAS 中的挑战，并阐明了未来的研究方向。