沙丘社区
论文

MASkills：多智能体大语言模型系统的持续技能优化

MASkills: Continual Skills Optimization for Multi-Agent LLM Systems

Huaiyuan Yao; Xiaoou Liu; Charles Fleming; Tianlong Chen; Hua Wei
智能体系统上下文与知识记忆Agent SkillsAgent记忆

摘要

基于LLM的多智能体系统在复杂任务上表现出了强大的性能，但交互体验的持续改进仍然具有挑战性。现有的自我反思方法建立了经验记忆，但记忆大多难以调用、提炼或扩展，而代理技能提供了一个更具可操作性的单元：结构化的程序知识，指定何时行动、如何行动以及使用哪些资源或工具。我们引入 MASkills，这是一个持续学习框架，可通过代理技能优化多代理 LLM 系统。 MASkills 提出了一种新的代理优化管道，集成了技能条件信用分配、分层信用聚合和动量平滑优化，使代理技能库能够通过细化、归纳、整合和修剪来发展。 HotpotQA、LoCoMo 和 GAIA 上的实验证明了 MASkills 在多个代理任务中的有效性。我们的代码位于 https://github.com/DaRL-GenAI/MASkills

MASkills：多智能体大语言模型系统的持续技能优化：论文配图
图1:MASkills管道概览,作为政策优化的四步语言空间模拟。智能体实施技能,以产生轨迹、获得有技能条件的语言信用、总体时间稳定的优势,并通过改进、上岗培训、整合和修剪更新技能库。