基于 LLM 的智能体三大范式的综述：工具使用（包括 RAG）、规划与反馈学习
人工智能
2024-12-03 v6 计算与语言
软件工程
摘要
工具使用、规划和反馈学习是目前开发基于大型语言模型 (LLM) 的智能体以执行各种任务的三种突出范式。尽管每种范式都设计了众多框架，但其复杂的工作流程和不一致的分类法给跨不同范式理解和审查框架带来了挑战。本综述引入了一个统一的分类法，以系统地回顾和讨论这些框架。具体来说，1) 该分类法定义了环境/任务、常见的 LLM 角色或 LMPR（策略模型、评估器和动态模型）以及先前工作中发现的普遍适用工作流程；2) 它能够比较不同智能体范式和框架中 LMPR 实现和工作流程设计的关键视角。3) 最后，我们指出了现有工作流程设计中的三个局限性，并系统地讨论了未来工作。资源已在我们的 GitHub 仓库 https://github.com/xinzhel/LLM-Agent-Survey 中公开提供。
引用
@article{arxiv.2406.05804,
title = {A Review of Prominent Paradigms for LLM-Based Agents: Tool Use (Including RAG), Planning, and Feedback Learning},
author = {Xinzhe Li},
journal= {arXiv preprint arXiv:2406.05804},
year = {2024}
}
备注
CoLing 2025 Camera Ready (extended to 9 pages)