論文の概要: CoSearchAgent: A Lightweight Collaborative Search Agent with Large
Language Models
- arxiv url: http://arxiv.org/abs/2402.06360v1
- Date: Fri, 9 Feb 2024 12:10:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-12 17:07:54.110754
- Title: CoSearchAgent: A Lightweight Collaborative Search Agent with Large
Language Models
- Title（参考訳）: CoSearchAgent: 大規模言語モデルを備えた軽量協調検索エージェント
- Authors: Peiyuan Gong, Jiamian Li, Jiaxin Mao
- Abstract要約: 大規模言語モデル(LLM)を利用した軽量協調検索エージェントであるCoSearchAgentを提案する。
CoSearchAgentはSlackプラグインとして設計されており、このプラットフォーム上での多人数会話中の協調検索をサポートする。
検索結果に基づいた回答でユーザクエリに応答できる。
- 参考スコア（独自算出の注目度）: 13.108014924612114
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Collaborative search supports multiple users working together to accomplish a
specific search task. Research has found that designing lightweight
collaborative search plugins within instant messaging platforms aligns better
with users' collaborative habits. However, due to the complexity of multi-user
interaction scenarios, it is challenging to implement a fully functioning
lightweight collaborative search system. Therefore, previous studies on
lightweight collaborative search had to rely on the Wizard of Oz paradigm. In
recent years, large language models (LLMs) have been demonstrated to interact
naturally with users and achieve complex information-seeking tasks through
LLM-based agents. Hence, to better support the research in collaborative
search, in this demo, we propose CoSearchAgent, a lightweight collaborative
search agent powered by LLMs. CoSearchAgent is designed as a Slack plugin that
can support collaborative search during multi-party conversations on this
platform. Equipped with the capacity to understand the queries and context in
multi-user conversations and the ability to search the Web for relevant
information via APIs, CoSearchAgent can respond to user queries with answers
grounded on the relevant search results. It can also ask clarifying questions
when the information needs are unclear. The proposed CoSearchAgent is highly
flexible and would be useful for supporting further research on collaborative
search. The code and demo video are accessible.
- Abstract（参考訳）: コラボレーション検索は、特定の検索タスクを達成するために複数のユーザが協力して作業するのをサポートする。
インスタントメッセージングプラットフォームにおける軽量な協調検索プラグインの設計は、ユーザの協調的な習慣に合致する。
しかし,マルチユーザインタラクションのシナリオが複雑であるため,完全に機能する軽量協調検索システムの実装は困難である。
そのため、従来の軽量協調探索の研究はウィザード・オブ・オズのパラダイムに頼らなければならなかった。
近年,大規模言語モデル (LLM) がユーザと自然に対話し,LLMエージェントによる複雑な情報検索タスクを実現することが実証されている。
そこで本研究では,協調検索の研究を支援するために,LLMを用いた軽量協調検索エージェントであるCoSearchAgentを提案する。
CoSearchAgentはSlackプラグインとして設計されており、このプラットフォーム上での多人数会話中の協調検索をサポートする。
マルチユーザ会話におけるクエリとコンテキストを理解する能力とAPIを介してWebを検索する機能を備えたCoSearchAgentは、関連する検索結果に基づいて、ユーザクエリに応答することができる。
また、情報が不明確である場合、明確な質問を行うこともできる。
提案されたCoSearchAgentは非常に柔軟で、共同検索のさらなる研究を支援するのに役立つだろう。
コードとデモビデオはアクセスできる。
関連論文リスト
- MindSearch: Mimicking Human Minds Elicits Deep AI Searcher [20.729251584466983]
我々は、Web情報検索と統合における人間の心を模倣するMindSearchを紹介した。
このフレームワークは、シンプルだが効果的なLLMベースのマルチエージェントフレームワークによってインスタンス化できる。
MindSearchは、深さと幅の点でレスポンス品質が大幅に改善されている。
論文 参考訳（メタデータ） (2024-07-29T17:12:40Z) - Tree Search for Language Model Agents [69.43007235771383]
対話型Web環境での探索と多段階計画を行うために,LMエージェントの推論時探索アルゴリズムを提案する。
我々のアプローチは、実環境空間内で機能する最優先木探索の一形態である。
現実的なWebタスクにおいて有効性を示すLMエージェントのための最初の木探索アルゴリズムである。
論文 参考訳（メタデータ） (2024-07-01T17:07:55Z) - When Search Engine Services meet Large Language Models: Visions and Challenges [53.32948540004658]
本稿では,大規模言語モデルと検索エンジンの統合が,両者の相互に利益をもたらすかどうかを詳細に検討する。
LLM(Search4LLM)の改良と,LLM(LLM4Search)を用いた検索エンジン機能の向上という,2つの主要な領域に注目した。
論文 参考訳（メタデータ） (2024-06-28T03:52:13Z) - Leveraging Large Language Models for Multimodal Search [0.6249768559720121]
本稿では,Fashion200Kデータセット上での新たなパフォーマンスマイルストーンを実現する,新しいマルチモーダル検索モデルを提案する。
また,Large Language Models (LLM) を統合した新たな検索インタフェースを提案する。
論文 参考訳（メタデータ） (2024-04-24T10:30:42Z) - An Interactive Query Generation Assistant using LLM-based Prompt
Modification and User Feedback [9.461978375200102]
提案するインタフェースは,単言語および多言語文書コレクション上での対話型クエリ生成をサポートする,新しい検索インタフェースである。
このインタフェースにより、ユーザーは異なるLCMによって生成されたクエリを洗練し、検索したドキュメントやパスに対するフィードバックを提供し、より効果的なクエリを生成するプロンプトとしてユーザーのフィードバックを組み込むことができる。
論文 参考訳（メタデータ） (2023-11-19T04:42:24Z) - Advancing the Search Frontier with AI Agents [6.839870353268828]
複雑な検索タスクは、初歩的な事実発見や再定義のサポート以上のものを必要とする。
近年の人工人工知能(AI)の出現は、検索者にさらなる支援を提供する可能性がある。
この記事では、これらの問題とAIエージェントが検索システムの能力のフロンティアをいかに前進させているかを考察する。
論文 参考訳（メタデータ） (2023-11-02T13:43:22Z) - Large Search Model: Redefining Search Stack in the Era of LLMs [63.503320030117145]
我々は,1つの大言語モデル(LLM)で検索タスクを統一することにより,従来の検索スタックを再定義する,大規模検索モデルと呼ばれる新しい概念的フレームワークを導入する。
全てのタスクは自動回帰テキスト生成問題として定式化され、自然言語のプロンプトを使ってタスクをカスタマイズできる。
提案フレームワークは,LLMの強力な言語理解と推論能力を活用し,既存の検索スタックを簡素化しつつ,検索結果の質を向上させる能力を提供する。
論文 参考訳（メタデータ） (2023-10-23T05:52:09Z) - Social Commonsense-Guided Search Query Generation for Open-Domain
Knowledge-Powered Conversations [66.16863141262506]
本稿では,ソーシャルコモンセンスによってガイドされたインターネット検索クエリ生成に焦点を当てた新しいアプローチを提案する。
提案フレームワークは,トピックトラッキング,コモンセンス応答生成,命令駆動クエリ生成を統合することで,受動的ユーザインタラクションに対処する。
論文 参考訳（メタデータ） (2023-10-22T16:14:56Z) - Graph Enhanced BERT for Query Understanding [55.90334539898102]
クエリ理解は、ユーザの検索意図を探索し、ユーザが最も望まれる情報を発見できるようにする上で、重要な役割を果たす。
近年、プレトレーニング言語モデル (PLM) は様々な自然言語処理タスクを進歩させてきた。
本稿では,クエリコンテンツとクエリグラフの両方を活用可能な,グラフ強化事前学習フレームワークGE-BERTを提案する。
論文 参考訳（メタデータ） (2022-04-03T16:50:30Z) - Boosting Search Engines with Interactive Agents [25.89284695491093]
本稿では,文脈的クエリ改善のためのメタストラテジーを学習するエージェントの設計における第一歩について述べる。
エージェントには単純だが効果的な検索操作者がいて、クエリや検索結果のきめ細やかで透明な制御を行う。
論文 参考訳（メタデータ） (2021-09-01T13:11:57Z) - Conversations with Search Engines: SERP-based Conversational Response
Generation [77.1381159789032]
我々は、検索エンジンと対話するためのパイプラインを開発するために、適切なデータセット、検索・アズ・ア・会話(SaaC)データセットを作成します。
また、このデータセットを用いて、検索エンジンと対話するための最先端パイプライン(Conversations with Search Engines (CaSE))も開発しています。
CaSEは、サポートされたトークン識別モジュールとプリア・アウェア・ポインタージェネレータを導入することで最先端を向上する。
論文 参考訳（メタデータ） (2020-04-29T13:07:53Z)
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。