論文の概要: Formally Specifying the High-Level Behavior of LLM-Based Agents
- arxiv url: http://arxiv.org/abs/2310.08535v1
- Date: Thu, 12 Oct 2023 17:24:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-14 08:35:58.384752
- Title: Formally Specifying the High-Level Behavior of LLM-Based Agents
- Title（参考訳）: LLM系剤の高レベル挙動の形式的特定
- Authors: Maxwell Crouse, Ibrahim Abdelaziz, Kinjal Basu, Soham Dan, Sadhana
Kumaravel, Achille Fokoue, Pavan Kapanipathi, Luis Lastras
- Abstract要約: LLMベースのエージェントは、タスク固有の微調整モデルを必要とせずに、課題を解決するための有望なツールとして登場した。
現在、このようなエージェントの設計と実装はアドホックであり、LLMベースのエージェントが自然に適用できる様々なタスクは、エージェント設計に一律に適合するアプローチが存在しないことを意味する。
エージェント構築のプロセスを簡単にする最小限の高レベル生成フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 21.71916305151158
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: LLM-based agents have recently emerged as promising tools for solving
challenging problems without the need for task-specific finetuned models that
can be expensive to procure. Currently, the design and implementation of such
agents is ad hoc, as the wide variety of tasks that LLM-based agents may be
applied to naturally means there can be no one-size-fits-all approach to agent
design. In this work we aim to alleviate the difficulty of designing and
implementing new agents by proposing a minimalistic, high-level generation
framework that simplifies the process of building agents. The framework we
introduce allows the user to specify desired agent behaviors in Linear Temporal
Logic (LTL). The declarative LTL specification is then used to construct a
constrained decoder that guarantees the LLM will produce an output exhibiting
the desired behavior. By designing our framework in this way, we obtain several
benefits, including the ability to enforce complex agent behavior, the ability
to formally validate prompt examples, and the ability to seamlessly incorporate
content-focused logical constraints into generation. In particular, our
declarative approach, in which the desired behavior is simply described without
concern for how it should be implemented or enforced, enables rapid design,
implementation and experimentation with different LLM-based agents. We
demonstrate how the proposed framework can be used to implement recent
LLM-based agents, and show how the guardrails our approach provides can lead to
improvements in agent performance. In addition, we release our code for general
use.
- Abstract（参考訳）: LLMベースのエージェントは、調達にコストがかかるタスク固有の微調整モデルを必要としない、課題解決のための有望なツールとして最近登場した。
現在、このようなエージェントの設計と実装はアドホックであり、LLMベースのエージェントが自然に適用できる様々なタスクは、エージェント設計に一律に適合するアプローチが存在しないことを意味する。
本研究では,エージェント構築のプロセスを簡単にする最小限の高レベル生成フレームワークを提案することにより,新しいエージェントの設計と実装の難しさを軽減することを目的とする。
ここで紹介するフレームワークは,LTL(Linear Temporal Logic)で希望するエージェントの動作を指定することができる。
宣言型LTL仕様は、LLMが所望の振る舞いを示す出力を生成することを保証する制約付きデコーダを構築するために使用される。
この方法でフレームワークを設計することで、複雑なエージェントの動作を強制する機能、プロンプト例を正式に検証する機能、コンテンツ中心の論理的制約をシームレスに生成に組み込む機能など、いくつかのメリットが得られる。
特に、望ましい振る舞いを実装や実施の方法を気にせずに記述する宣言的アプローチは、異なるllmベースのエージェントによる迅速な設計、実装、実験を可能にします。
提案したフレームワークが最近のLCMベースのエージェントの実装にどのように使用できるかを示し、我々のアプローチが提供するガードレールがエージェントのパフォーマンス改善につながることを示す。
さらに、コードを一般向けにリリースしています。
関連論文リスト
- FlowAgent: Achieving Compliance and Flexibility for Workflow Agents [31.088578094151178]
FlowAgentは、コンプライアンスと柔軟性の両方を維持するように設計された新しいエージェントフレームワークである。
PDL を基盤として,OOW クエリを効果的に管理する LLM を支援する包括的フレームワークを開発した。
本稿では,LLMエージェントのOOWシナリオ処理能力を評価するための新しい評価手法を提案する。
論文 参考訳（メタデータ） (2025-02-20T07:59:31Z) - Towards more Contextual Agents: An extractor-Generator Optimization Framework [0.0]
LLM(Large Language Model)ベースのエージェントは、幅広い汎用アプリケーションにわたる複雑なタスクの解決に顕著な成功を収めている。
しかしながら、それらのパフォーマンスは、専門産業や研究領域のようなコンテキスト固有のシナリオで劣化することが多い。
この課題に対処するため,本研究では,LLMエージェントの文脈適応性を高めるための体系的アプローチを提案する。
論文 参考訳（メタデータ） (2025-02-18T15:07:06Z) - Scaling Autonomous Agents via Automatic Reward Modeling And Planning [52.39395405893965]
大規模言語モデル(LLM)は、様々なタスクにまたがる顕著な機能を示している。
しかし、彼らは多段階の意思決定と環境フィードバックを必要とする問題に苦戦している。
人間のアノテーションを使わずに環境から報酬モデルを自動的に学習できるフレームワークを提案する。
論文 参考訳（メタデータ） (2025-02-17T18:49:25Z) - AgentSquare: Automatic LLM Agent Search in Modular Design Space [16.659969168343082]
大規模言語モデル(LLM)は、幅広い複雑なタスクを処理できるエージェントシステムの急速な成長をもたらした。
Modularized LLM Agent Search (MoLAS) という新しい研究課題を紹介した。
論文 参考訳（メタデータ） (2024-10-08T15:52:42Z) - Gödel Agent: A Self-Referential Agent Framework for Recursive Self-Improvement [117.94654815220404]
G"odel AgentはG"odelマシンにインスパイアされた自己進化型フレームワークである。
G"odel Agentは、パフォーマンス、効率、一般化性において手作業によるエージェントを上回る、継続的な自己改善を実現することができる。
論文 参考訳（メタデータ） (2024-10-06T10:49:40Z) - Ask-before-Plan: Proactive Language Agents for Real-World Planning [68.08024918064503]
プロアクティブエージェントプランニングでは、ユーザエージェントの会話とエージェント環境のインタラクションに基づいて、言語エージェントが明確化のニーズを予測する必要がある。
本稿では,明確化,実行,計画の3つのエージェントからなる新しいマルチエージェントフレームワーク,Clarification-Execution-Planning(textttCEP)を提案する。
論文 参考訳（メタデータ） (2024-06-18T14:07:28Z) - Enhancing the General Agent Capabilities of Low-Parameter LLMs through Tuning and Multi-Branch Reasoning [56.82041895921434]
オープンソースの事前訓練された大規模言語モデル(LLM)は、強力な言語理解と生成能力を示す。
現実世界の複雑な問題に対処するエージェントとして使用される場合、ChatGPTやGPT-4のような大型の商用モデルに比べてパフォーマンスははるかに劣る。
論文 参考訳（メタデータ） (2024-03-29T03:48:12Z) - Agent-Pro: Learning to Evolve via Policy-Level Reflection and Optimization [53.510942601223626]
大規模言語モデル(LLM)は多様なタスクに対して堅牢な問題解決能力を示す。
これらのタスクソルバは、タスクルールを通知し、行動を調整するために手作業によるプロンプトを必要とする。
本稿では,ポリシーレベルのリフレクションと最適化を備えた LLM ベースのエージェントである Agent-Pro を提案する。
論文 参考訳（メタデータ） (2024-02-27T15:09:20Z) - AgentLite: A Lightweight Library for Building and Advancing
Task-Oriented LLM Agent System [91.41155892086252]
LLMエージェントの研究を簡略化する新しいAIエージェントライブラリであるAgentLiteをオープンソースとして公開する。
AgentLiteは、タスクを分解するエージェントの機能を強化するために設計されたタスク指向フレームワークである。
我々は,その利便性と柔軟性を示すために,AgentLiteで開発された実用アプリケーションを紹介した。
論文 参考訳（メタデータ） (2024-02-23T06:25:20Z) - Formal-LLM: Integrating Formal Language and Natural Language for Controllable LLM-based Agents [39.53593677934238]
大規模言語モデル(LLM)により、AIエージェントは複雑なタスクを解決するためのマルチステッププランを自動的に生成し実行することができる。
しかし、現在のLLMベースのエージェントは、しばしば無効または実行不可能な計画を生成する。
本稿では、自然言語の表現性と形式言語の精度を統合することで、LLMをベースとしたエージェントのための新しい「フォーマルLLM」フレームワークを提案する。
論文 参考訳（メタデータ） (2024-02-01T17:30:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。