智能体遇见OKR：一种基于目标与关键结果驱动的具有分层自协作与自评估的智能体系统
计算机视觉与模式识别
2023-11-29 v1
摘要
在本研究中，我们引入OKR-Agent的概念，旨在增强大语言模型（LLM）在任务求解中的能力。我们的方法利用分层智能体促进的自协作与自纠正机制，以应对任务求解中固有的复杂性。我们的关键观察有两点：第一，有效的任务求解需要深入的领域知识和复杂推理，为此部署专门智能体处理各子任务可显著提升LLM性能。第二，任务求解本质上遵循分层执行结构，包含高层战略规划和细粒度任务执行。为此，我们的OKR-Agent范式与这一分层结构紧密契合，有望在多种场景中提升效能与适应性。具体而言，我们的框架包含两个新颖模块：分层目标与关键结果生成和多级评估，各自有助于更高效、更鲁棒的任务求解。实践中，分层OKR生成将目标分解为多个子目标，并基于关键结果和智能体职责分配新智能体。这些智能体随后细化其指定任务，并可按需进一步分解。此类生成以递归分层方式运作，最终形成一套详尽解决方案。OKR-Agent的多级评估模块利用所有相关智能体的反馈优化解决方案，精炼流程每一步。这确保解决方案准确、实用并有效满足复杂任务需求，提升结果整体可靠性与质量。实验结果亦表明我们的方法在多项任务上优于先前方法。代码与演示见 https://okr-agent.github.io/
引用
@article{arxiv.2311.16542,
title = {Agents meet OKR: An Object and Key Results Driven Agent System with Hierarchical Self-Collaboration and Self-Evaluation},
author = {Yi Zheng and Chongyang Ma and Kanle Shi and Haibin Huang},
journal= {arXiv preprint arXiv:2311.16542},
year = {2023}
}