利用自适应任务图提高语言代理团队的效率

大语言模型 (LLM) 越来越多地部署在团队中，但现有的协调方法往往占据两个极端。高度结构化的方法依赖于先验分配的固定角色、管道或任务分解。相比之下，完全非结构化的团队可以实现适应性和探索，但会遇到效率低下的问题，例如错误传播、代理间冲突和资源浪费（以时间、词元或文件操作来衡量）。我们引入了任务演化语言代理团队（LATTE），这是一个受分布式系统启发的用于协调 LLM 团队的框架，其中处理器必须在部分可观察性和通信约束下运行。在 LATTE 中，代理团队协作构建和维护一个共享的、不断发展的协调图，该图对子任务依赖关系、单个代理分配以及子任务进度的当前状态进行编码。该协议保持一致性，同时使代理能够动态分配工作、调整协调和发现新任务。在多个协作任务和各种基本模型中，我们演示了 LATTE 如何减少词元使用、挂钟时间、通信和协调故障（例如文件冲突和冗余输出），同时匹配或超过标准设计的准确性，包括 MetaGPT、去中心化团队、自上而下的领导者-工作人员层次结构和静态分解。