DIG to Heal:通过可解释动态决策路径扩展通用智能体协作

日益流行的代理人工智能范例有望利用多个通用大语言模型（LLM）代理的力量来协作完成复杂的任务。虽然许多代理人工智能系统利用预定义的工作流程或代理角色来降低复杂性，但理想情况下，这些代理将是真正自主的，即使协作代理数量增加，也能够实现紧急协作。然而在实践中，这种非结构化的交互可能会导致冗余工作和难以解释或纠正的级联故障。在这项工作中，我们研究由通用 LLM 代理组成的多代理系统，这些代理在没有预定义角色、控制流或通信约束的情况下运行，而是依靠紧急协作来解决问题。我们引入了动态交互图（DIG），它将紧急协作捕获为代理激活和交互的随时间演化的因果网络。 DIG 首次使紧急协作变得可观察和可解释，从而能够直接从代理的协作路径实时识别、解释和纠正协作引起的错误模式。因此，DIG 填补了理解一般 LLM 代理如何在真正的代理多代理系统中共同解决问题的关键空白。项目网页位于：https://happyeureka.github.io/dig。