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
- 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) - Harnessing the power of LLMs for normative reasoning in MASs [3.1796285054362605]
大きな言語モデル(LLM)は、標準に対してリッチで表現力豊かな語彙を提供する。
LLMはノルム発見、規範的推論、意思決定といった様々なタスクを実行できる。
本研究の目的は,MAS,NLP,LLM研究者の協力を得て,規範的エージェントの分野を推し進めることである。
論文 参考訳(メタデータ) (2024-03-25T08:09:01Z) - KnowAgent: Knowledge-Augmented Planning for LLM-Based Agents [54.09074527006576]
大規模言語モデル(LLM)は複雑な推論タスクにおいて大きな可能性を証明していますが、より高度な課題に取り組むには不十分です。
この不適切さは、主に言語エージェントのアクション知識が組み込まれていないことに起因する。
我々は、明示的な行動知識を取り入れることで、LLMの計画能力を高めるために設計された新しいアプローチであるKnowAgentを紹介する。
論文 参考訳(メタデータ) (2024-03-05T16:39:12Z) - Learning to Use Tools via Cooperative and Interactive Agents [61.662788490607475]
ツール学習は、大きな言語モデル(LLM)をエージェントとして、その能力を拡張するために外部ツールを使用する権限を与える。
既存の手法では、1つのLCMベースのエージェントを使用してツールを反復的に選択し実行し、その結果を次のアクション予測に組み込む。
本研究では,協調型対話型エージェントフレームワークであるConAgentsを提案し,ツール学習のワークフローをグラウンディング,実行,監視エージェントにモジュール化する。
論文 参考訳(メタデータ) (2024-03-05T15:08:16Z) - Agent-Pro: Learning to Evolve via Policy-Level Reflection and Optimization [53.510942601223626]
Agent-Pro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。
過去の軌道と信念を反復的に反映し、より良い政策のために不合理な信念を微調整する。
Agent-Proは、BlackjackとTexas Hold'emの2つのゲームで評価され、バニラLLMと特殊モデルを上回っている。
論文 参考訳(メタデータ) (2024-02-27T15:09:20Z) - Enforcing Temporal Constraints on Generative Agent Behavior with
Reactive Synthesis [1.1110995501996483]
生成エージェントを生成するために,形式論理に基づくプログラム合成と大規模言語モデルの組み合わせを提案する。
提案手法ではテンポラルストリーム論理(TSL)を用いてエージェントに時間的構造を強制するオートマトンを生成する。
我々は、様々なアプリケーションドメインに特化した協調型対話型エージェントの作成に関わる様々なタスクに対するアプローチを評価した。
論文 参考訳(メタデータ) (2024-02-24T21:36:26Z) - 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 [42.41596981580518]
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) - AgentBench: Evaluating LLMs as Agents [88.45506148281379]
大規模言語モデル(LLM)は、従来のNLPタスクを超えた現実的な実用的ミッションをターゲットとして、ますます賢く自律的になってきています。
我々は,現在8つの異なる環境からなるベンチマークであるAgentBenchを紹介し,LLM-as-Agentの推論と意思決定能力を評価する。
論文 参考訳(メタデータ) (2023-08-07T16:08:11Z)
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。