基于LLM的去中心化生成式智能体：自适应层次化知识图谱用于合作计划
人工智能
2025-02-11 v1 多智能体系统
摘要
开发用于动态开放世界场景中长期合作的智能代理是多智能体系统的重大挑战之一。传统的多智能体强化学习(MARL)框架，如集中训练分布执行(CTDE)，在可扩展性和灵活性方面存在挑战。它们需要集中进行长期计划，这在没有自定义奖励函数的情况下难以实现，并且在处理多模态数据方面面临挑战。CTDE方法还假设合作策略是固定的，在代理需要适应和独立规划的动态环境中则不实用。为了解决去中心化的多智能体合作问题，我们提出了去中心化自适应知识图谱记忆与结构化通信系统(DAMCS)，该系统在一种新颖的多智能体采石场环境中实现。我们的生成式代理由大型语言模型(LLM)驱动，凭借外部知识和语言进行长期计划和推理，相较于传统MARL代理在可扩展性方面具有优势。DAMCS引入多模态记忆系统，组织为层次化知识图谱，并采用结构化通信协议以优化代理之间的合作。这使得代理能够从过去的交互中进行推理并高效共享相关信息。在新颖的多智能体开放世界任务上的实验表明，DAMCS在任务效率和合作方面均优于MARL和LLM基线方法。与单智能体场景相比，两智能体场景以更少的63%步骤即可完成相同目标，六智能体场景则以更少的74%步骤实现，凸显了自适应记忆和结构化通信在实现长期目标方面的重要性。我们公开发布了项目：https://happyeureka.github.io/damcs。
引用
@article{arxiv.2502.05453,
title = {LLM-Powered Decentralized Generative Agents with Adaptive Hierarchical Knowledge Graph for Cooperative Planning},
author = {Hanqing Yang and Jingdi Chen and Marie Siew and Tania Lorido-Botran and Carlee Joe-Wong},
journal= {arXiv preprint arXiv:2502.05453},
year = {2025}
}