通过导师-学生多智能体交互增强LLM问题求解

人类认知的发展不仅由个体努力塑造，也由结构化的社会互动塑造，其中诸如导师与学习者之间基于角色的交流，能够促成任何一方都无法独立实现的解决方案。受这些发展原理启发，我们提出这样一个问题：导师-学生多智能体系统能否通过将大语言模型（Large Language Model, LLM）推越其在现有框架内所能达到的水平，从而产生协同效应。为检验这一想法，我们采用自主编程问题领域，其中由同一LLM实例化的两个智能体被赋予非对称角色：学生智能体生成并迭代改进解决方案，而导师智能体在不接触真实答案的情况下提供结构化的评价性反馈。在我们提出的框架（PETITE）中，我们旨在通过互补角色来结构化模型的交互，从而从单一模型中挖掘出更好的问题求解性能，而非依赖更强的监督模型或异构集成。我们的模型在APPS编程基准上，与Self-Consistency、Self-Refine、Multi-Agent Debate和Multi-Agent Review等最先进方法进行了对比评估。结果表明，我们的模型在消耗显著更少token的情况下取得了相近或更高的准确率。这些结果表明，基于发展原理的角色分化交互结构，为通过结构化的类同伴交互增强LLM问题求解能力提供了一种有原则且资源高效的范式。索引词：同伴辅导（Peer Tutoring）、脚手架（Scaffolding）、大语言模型（Large Language Models）、多智能体系统（Multi-Agent Systems）、代码生成（Code Generation）。