通过多路径协动的反应与反思智能体增强 LLM 推理能力
计算与语言
2025-01-06 v2
摘要
智能体通过大语言模型在科学推理任务中展现出潜力。然而，他们常面临准确率不足和思考退化的问题，这些问题限制了性能。为克服这些挑战，我们提出了基于多路径推理的反应与反思智能体 (RR-MP) 框架，以增强 LLM 的推理能力。我们的方法通过采用多路径推理机制实现提高科学推理准确率，其中每个路径由反应智能体和反思智能体组成，协作防止单一智能体依赖导致的思考退化。此外，RR-MP 框架无需额外训练，利用每个推理路径的多个对话实例和独立的汇总器整合所有路径的见解。该设计整合了多样化的视角，加强了每个路径上的推理。我们在道德情景、大学水平的物理和数学任务上进行了零样本和少样本评估。实验结果表明，该方法优于基线方法，凸显了 RR-MP 框架在处理复杂科学推理任务方面的有效性与优势。
引用
@article{arxiv.2501.00430,
title = {Enhancing LLM Reasoning with Multi-Path Collaborative Reactive and Reflection agents},
author = {Chengbo He and Bochao Zou and Xin Li and Jiansheng Chen and Junliang Xing and Huimin Ma},
journal= {arXiv preprint arXiv:2501.00430},
year = {2025}
}