論文の概要: Multi-Agent Collaboration via Cross-Team Orchestration

• arxiv url: http://arxiv.org/abs/2406.08979v2
• Date: Fri, 06 Jun 2025 01:45:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:42.611546
• Title: Multi-Agent Collaboration via Cross-Team Orchestration
• Title（参考訳）: クロスチームオーケストレーションによるマルチエージェントコラボレーション
• Authors: Zhuoyun Du, Chen Qian, Wei Liu, Zihao Xie, YiFei Wang, Rennai Qiu, Yufan Dang, Weize Chen, Cheng Yang, Ye Tian, Xuantang Xiong, Lei Han,
• Abstract要約: 大規模言語モデル(LLM)は、特に組織化された自律エージェントを通じて、様々なドメインに大きな影響を与えている。 これはスケーラブルなマルチチームフレームワークで、オーケストレーションされたチームはさまざまなタスク指向のソリューションを共同で提案できる。 実験では、最先端のベースラインと比較して、ソフトウェアの品質が顕著に向上している。
• 参考スコア（独自算出の注目度）: 31.506350304184526
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLMs) have significantly impacted various domains, especially through organized LLM-driven autonomous agents. A representative scenario is in software development, where agents can collaborate in a team like humans, following predefined phases to complete sub-tasks sequentially. However, for an agent team, each phase yields only one possible outcome. This results in the completion of only one development chain, thereby losing the opportunity to explore multiple potential decision paths within the solution space. Consequently leading to suboptimal results or extensive trial and error. To address this, we introduce Cross-Team Orchestration (Croto), a scalable multi-team framework that enables orchestrated teams to jointly propose various task-oriented solutions and interact with their insights in a self-independence while cross-team collaboration environment for superior solutions generation. Experiments reveal a notable increase in software quality compared to state-of-the-art baselines. We further tested our framework on story generation tasks, which demonstrated a promising generalization ability of our framework in other domains. The code and data is available at https://github.com/OpenBMB/ChatDev/tree/macnet
• Abstract（参考訳）: 大規模言語モデル(LLM)は、特にLLM駆動の自律エージェントによって、様々な領域に大きな影響を与えている。 代表的なシナリオはソフトウェア開発で、エージェントは人間のようなチームで協力し、事前に定義されたフェーズに従ってサブタスクをシーケンシャルに完了することができる。 しかし、エージェントチームでは、各フェーズは1つの可能な結果しか得られない。 これにより、開発チェーンが1つだけ完成し、ソリューション空間内の複数の潜在的な決定経路を探索する機会を失うことになる。 その結果、準最適結果や広範な試行錯誤につながる。 これを解決するために、私たちは、クロスチームオーケストレーション(Croto)というスケーラブルなマルチチームフレームワークを導入しました。これは、オーケストレーションされたチームが、さまざまなタスク指向のソリューションを共同で提案し、優れたソリューション生成のためのクロスチームコラボレーション環境において、自己独立性における洞察と対話することを可能にするものです。 実験では、最先端のベースラインと比較して、ソフトウェアの品質が顕著に向上している。 我々はさらに、ストーリー生成タスクでフレームワークをテストし、他のドメインでのフレームワークの有望な一般化能力を実証した。 コードとデータはhttps://github.com/OpenBMB/ChatDev/tree/macnetで公開されている。

関連論文リスト

• MultiAgentBench: Evaluating the Collaboration and Competition of LLM agents [59.825725526176655]
  大規模言語モデル(LLM)は、自律的なエージェントとして顕著な能力を示している。 既存のベンチマークでは、単一エージェントタスクにフォーカスするか、狭いドメインに限定されており、マルチエージェントのコーディネーションと競合のダイナミクスを捉えていない。 多様な対話シナリオにまたがってLLMベースのマルチエージェントシステムを評価するためのベンチマークであるMultiAgentBenchを紹介する。
  論文  参考訳（メタデータ） (2025-03-03T05:18:50Z)
• Human-In-the-Loop Software Development Agents [12.830816751625829]
  大規模言語モデル(LLM)は、ソフトウェア開発タスクを自動的に解決するために導入された。 ソフトウェア開発のためのHuman-in-the-loop LLMベースのエージェントフレームワーク(HULA)を紹介する。 私たちは社内使用のために、HULAフレームワークをAtlassianに設計、実装、デプロイしています。
  論文  参考訳（メタデータ） (2024-11-19T23:22:33Z)
• Think-on-Process: Dynamic Process Generation for Collaborative Development of Multi-Agent System [13.65717444483291]
  ToP (Think-on-Process) はソフトウェア開発のための動的プロセス生成フレームワークである。 本フレームワークはGPT-3.5とGPT-4の動的プロセス生成能力を著しく向上させる。
  論文  参考訳（メタデータ） (2024-09-10T15:02:34Z)
• Internet of Agents: Weaving a Web of Heterogeneous Agents for Collaborative Intelligence [79.5316642687565]
  既存のマルチエージェントフレームワークは、多種多様なサードパーティエージェントの統合に苦慮することが多い。 我々はこれらの制限に対処する新しいフレームワークであるInternet of Agents (IoA)を提案する。 IoAはエージェント統合プロトコル、インスタントメッセージのようなアーキテクチャ設計、エージェントのチーム化と会話フロー制御のための動的メカニズムを導入している。
  論文  参考訳（メタデータ） (2024-07-09T17:33:24Z)
• Scaling Large-Language-Model-based Multi-Agent Collaboration [75.5241464256688]
  大規模言語モデルによるエージェントのパイオニア化は、マルチエージェントコラボレーションの設計パターンを暗示している。 神経スケーリング法則に触発された本研究では,マルチエージェント協調におけるエージェントの増加に類似の原理が適用されるかを検討する。
  論文  参考訳（メタデータ） (2024-06-11T11:02:04Z)
• Experiential Co-Learning of Software-Developing Agents [83.34027623428096]
  大規模言語モデル(LLM)は、特にソフトウェア開発において、様々な領域に大きな変化をもたらした。 本稿では,新しいLLM学習フレームワークであるExperiential Co-Learningを紹介する。 実験では、このフレームワークにより、エージェントは、目に見えないソフトウェア開発タスクをより効果的に対処できることを示した。
  論文  参考訳（メタデータ） (2023-12-28T13:50:42Z)
• MAgIC: Investigation of Large Language Model Powered Multi-Agent in Cognition, Adaptability, Rationality and Collaboration [102.41118020705876]
  大規模言語モデル(LLM)は自然言語処理の分野で大きな進歩を遂げている。 アプリケーションがマルチエージェント環境に拡張されるにつれ、包括的な評価フレームワークの必要性が高まっている。 この研究は、マルチエージェント設定内でLLMを評価するために特別に設計された新しいベンチマークフレームワークを導入している。
  論文  参考訳（メタデータ） (2023-11-14T21:46:27Z)
• GameGPT: Multi-agent Collaborative Framework for Game Development [3.5100485879548127]
  大規模言語モデル(LLM)ベースのエージェントは、ソフトウェア開発プロセスの自動化と高速化の能力を示した。 本稿では,ゲーム開発を自動化するマルチエージェント協調フレームワークGameGPTを提案する。
  論文  参考訳（メタデータ） (2023-10-12T06:31:43Z)
• ChatDev: Communicative Agents for Software Development [84.90400377131962]
  ChatDevはチャットを利用したソフトウェア開発フレームワークで、特別なエージェントがコミュニケーション方法についてガイドされる。 これらのエージェントは、統一された言語ベースのコミュニケーションを通じて、設計、コーディング、テストフェーズに積極的に貢献する。
  論文  参考訳（メタデータ） (2023-07-16T02:11:34Z)
• Building Cooperative Embodied Agents Modularly with Large Language Models [104.57849816689559]
  本研究では, 分散制御, 生の知覚観察, コストのかかるコミュニケーション, 様々な実施環境下でインスタンス化された多目的タスクといった課題に対処する。 我々は,LLMの常識知識,推論能力,言語理解,テキスト生成能力を活用し,認知に触発されたモジュラーフレームワークにシームレスに組み込む。 C-WAH と TDW-MAT を用いた実験により, GPT-4 で駆動される CoELA が, 強い計画に基づく手法を超越し, 創発的な効果的なコミュニケーションを示すことを示した。
  論文  参考訳（メタデータ） (2023-07-05T17:59:27Z)
• Self-collaboration Code Generation via ChatGPT [35.88318116340547]
  大規模言語モデル(LLM)はコード生成能力に優れていますが、複雑なタスクに苦労しています。 本稿では,ChatGPT で実証した LLM を用いたコード生成のための自己協調フレームワークを提案する。 この仮想チームを効果的に組織化し、管理するために、ソフトウェア開発方法論をフレームワークに組み入れます。
  論文  参考訳（メタデータ） (2023-04-15T16:33:32Z)

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。