大语言模型

CAMEL：Agent的自主合作新框架

2024 年 9 月 13 日

CAMEL: Communicative Agents for “Mind” Exploration of Large Language Model Society

CAMEL: 大语言模型思维探索的代理框架

本文是由阿卜杜拉国王科技大学发表的文章，主要利用LLM多Agent形式，来完成复杂的特定任务。

论文地址：https://arxiv.org/pdf/2303.17760

代码链接：https://github.com/camel-ai/camel

摘要

本文讨论了对话式语言模型在复杂任务解决中的进展，并指出了人类输入在引导对话中的关键作用。为了提高效率，文章提出了一种新的角色扮演框架，旨在促进智能体间的自主合作。该框架通过初始提示引导智能体完成任务，同时保持与人类一致的意图。研究重点在于通过角色扮演生成对话数据，以分析智能体的行为和能力，特别是在多智能体环境中的指令遵循和共同合作进行了深层次的研究。

核心内容

Role-playing Framework

本文介绍了一种创新的角色扮演方法，用于研究多个沟通式智能体之间的协作。该方法涉及一名AI助手和用户智能体共同完成任务。在人类提供初步想法和角色分配后，任务指定智能体会细化这些想法。随后，AI助手和AI用户通过多轮对话合作完成任务，其中AI用户发出指令，AI助手则提供解决方案。这一框架旨在通过模拟人类与AI的互动，探索智能体间的有效沟通和协作方式。具体流程如上图所示。

Human Input and Task Specifying

角色扮演会话将从人类的想法和选定的角色中进行实例化。上图例子中，人类有一个初步的想法，即为股票市场开发一个交易机器人。人类可能了解也可能不了解如何实现这个想法。因此人类所需要的只是指定一个能够实现这个想法的潜在角色。例如，Python 程序员可以与股票交易员合作，实现为股票市场开发交易机器人的想法。确定想法和角色后，任务说明符代理将根据输入的想法集思广益，制定一项特定任务，AI 助手可以帮助 AI 用户完成该任务。

AI Assistant-User Role Assignment

智能体通过接收特定消息来明确其角色。AI助手（）和AI用户（）分别代表两个大型语言模型（LLM）。在分配了Python程序员和股票交易员的角色后，AI用户作为任务规划者，负责确定AI助手的行动步骤，而AI助手则作为执行者，提供解决方案并反馈给用户。这一框架旨在通过角色分配和任务执行，促进智能体间的有效沟通和协作。

Conversation Towards Task-Solving

角色分配完成后，AI 助手（）和 AI 用户（）将按照指示协作完成任务。在 AI 助手-用户场景中，AI 用户负责提供指令，而AI助手应使用满足指令的解决方案进行响应。消息集如下所示。

在下一个时间步 t + 1，AI 用户（）获取历史对话消息集并提供新指令，下一刻的消息集公式如下所示。

Critic-In-The-Loop

为了增强角色扮演框架的可控性，作者引入了一个批评代理，它能够从角色扮演代理中选择提案或向角色扮演代理提供反馈。

Inception Prompting

Inception 提示由三个提示组成：任务说明提示（）、AI助手系统提示（）和 AI用户系统提示（）。AI 助手系统提示（）和 AI 用户系统提示（）大多是对称的，包括有关分配的任务和角色、通信协议、终止条件以及约束或要求的信息，以避免不需要的行为。这两个角色的提示设计对于实现智能体之间的自主合作至关重要。提示模板如下图所示。

总结

本文介绍了LLM智能体方法的开创性工作，该方法通过初始提示和详细的约束来指导多方智能体通过对话完成任务。这种名为 “角色扮演” 的新型合作代理框架，旨在实现通信代理间的自主合作，减少人工干预，以寻求更优的解决方案。尽管自主合作面临对话偏差、角色翻转和终止条件等挑战，但本文的框架提供了一种可扩展的方法来研究多智能体系统的合作行为，并提出了应对策略。此外，文章还提供了一个开源库，包括代理、数据生成和分析工具，以支持通信代理研究。这些贡献为大型语言AI模型和协作AI系统的发展提供了重要见解。

立即咨询 JOTO

JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。联系 JOTO 获取 AI 落地咨询

想把这些做法用到你的业务里?

留下你的场景和痛点,我们帮你判断从哪一步开始。

联系我们