論文の概要: LLMs Working in Harmony: A Survey on the Technological Aspects of Building Effective LLM-Based Multi Agent Systems

• arxiv url: http://arxiv.org/abs/2504.01963v1
• Date: Thu, 13 Mar 2025 06:17:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-06 07:58:49.384515
• Title: LLMs Working in Harmony: A Survey on the Technological Aspects of Building Effective LLM-Based Multi Agent Systems
• Title（参考訳）: ハーモニーで作業するLLM:効率的なLLMベースマルチエージェントシステムの構築技術に関する調査
• Authors: R. M. Aratchige, W. M. K. S. Ilmini,
• Abstract要約: 本研究では,LLMに基づくマルチエージェントシステムの開発に不可欠な基礎技術について検討する。 協調的で動的な環境のためにこれらのシステムをいかに最適化するかを問うため、アーキテクチャ、メモリ、計画、技術/フレームワークの4つの重要な領域に焦点を当てます。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This survey investigates foundational technologies essential for developing effective Large Language Model (LLM)-based multi-agent systems. Aiming to answer how best to optimize these systems for collaborative, dynamic environments, we focus on four critical areas: Architecture, Memory, Planning, and Technologies/Frameworks. By analyzing recent advancements and their limitations - such as scalability, real-time response challenges, and agent coordination constraints, we provide a detailed view of the technological landscape. Frameworks like the Mixture of Agents architecture and the ReAct planning model exemplify current innovations, showcasing improvements in role assignment and decision-making. This review synthesizes key strengths and persistent challenges, offering practical recommendations to enhance system scalability, agent collaboration, and adaptability. Our findings provide a roadmap for future research, supporting the creation of robust, efficient multi-agent systems that advance both individual agent performance and collective system resilience.
• Abstract（参考訳）: 本研究では,LLMに基づくマルチエージェントシステムの開発に不可欠な基礎技術について検討する。 協調的で動的な環境のためにこれらのシステムをいかに最適化するかを問うため、アーキテクチャ、メモリ、計画、技術/フレームワークの4つの重要な領域に焦点を当てます。 スケーラビリティ,リアルタイム応答問題,エージェント調整制約など,最近の進歩とその制限を分析することで,技術的な展望を詳細に把握することができる。 Mixture of AgentsアーキテクチャやReActプランニングモデルのようなフレームワークは、現在のイノベーションを実証し、役割割り当てと意思決定の改善を示します。 このレビューは、システムのスケーラビリティ、エージェントの協調、適応性を高めるための実践的な推奨事項を提供する、重要な強みと永続的な課題を合成する。 本研究は,個々のエージェントの性能と集団システムのレジリエンスを向上する,堅牢で効率的なマルチエージェントシステムの構築を支援する,今後の研究のロードマップを提供する。

関連論文リスト

• Generative Multi-Agent Collaboration in Embodied AI: A Systematic Review [32.73711802351707]
  Embodied Multi-Adnt System (EMAS) は、現実の課題に対処する可能性に注目が集まっている。 基礎モデルの最近の進歩は、よりリッチなコミュニケーションと適応的な問題解決が可能な生成エージェントの道を開いた。 この調査は、EMASがこれらの生成能力の恩恵を受けることができるかを体系的に検証する。
  論文  参考訳（メタデータ） (2025-02-17T07:39:34Z)
• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• Agent-Oriented Planning in Multi-Agent Systems [54.429028104022066]
  マルチエージェントシステムにおけるエージェント指向計画のための新しいフレームワークであるAOPを提案する。 本研究では, エージェント指向計画の3つの重要な設計原則, 可解性, 完全性, 非冗長性を明らかにする。 大規模実験は,マルチエージェントシステムにおける単一エージェントシステムと既存の計画戦略と比較して,現実の問題を解決する上でのAOPの進歩を実証している。
  論文  参考訳（メタデータ） (2024-10-03T04:07:51Z)
• Optimizing Collaboration of LLM based Agents for Finite Element Analysis [1.5039745292757671]
  本稿では,Large Language Models (LLM) 内の複数のエージェント間の相互作用について,プログラミングおよびコーディングタスクの文脈で検討する。 我々はAutoGenフレームワークを利用してエージェント間の通信を容易にし、各セットアップの40のランダムランからの成功率に基づいて異なる構成を評価する。
  論文  参考訳（メタデータ） (2024-08-23T23:11:08Z)
• Efficient Adaptation in Mixed-Motive Environments via Hierarchical Opponent Modeling and Planning [51.52387511006586]
  本稿では,HOP(Hierarchical Opponent Modeling and Planning)を提案する。 HOPは階層的に2つのモジュールから構成される: 相手の目標を推論し、対応する目標条件のポリシーを学ぶ、反対モデリングモジュール。 HOPは、さまざまな未確認エージェントと相互作用する際、優れた少数ショット適応能力を示し、セルフプレイのシナリオで優れている。
  論文  参考訳（メタデータ） (2024-06-12T08:48:06Z)
• Generative AI Agents with Large Language Model for Satellite Networks via a Mixture of Experts Transmission [74.10928850232717]
  本稿では、モデル定式化のための生成人工知能(AI)エージェントを開発し、送信戦略の設計に専門家(MoE)の混合を適用した。 具体的には,大規模言語モデル(LLM)を活用して対話型モデリングパラダイムを構築する。 定式化問題の解法として, MoE-proximal Policy Optimization (PPO) アプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-14T03:44:54Z)
• LLM-Based Multi-Agent Systems for Software Engineering: Literature Review, Vision and the Road Ahead [14.834072370183106]
  本稿では,LMA(Multi-Agent)システムへのLarge Language Modelの統合の可能性について検討する。 複数のエージェントの協調的かつ専門的な能力を活用することで、LMAシステムは自律的な問題解決を可能にし、堅牢性を改善し、現実世界のソフトウェアプロジェクトの複雑さを管理するスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2024-04-07T07:05:40Z)
• Large Language Model-based Human-Agent Collaboration for Complex Task Solving [94.3914058341565]
  複雑なタスク解決のためのLarge Language Models(LLM)に基づくヒューマンエージェントコラボレーションの問題を紹介する。 Reinforcement Learning-based Human-Agent Collaboration method, ReHACを提案する。 このアプローチには、タスク解決プロセスにおける人間の介入の最も急進的な段階を決定するために設計されたポリシーモデルが含まれている。
  論文  参考訳（メタデータ） (2024-02-20T11:03:36Z)
• An Interactive Agent Foundation Model [49.77861810045509]
  本稿では,AIエージェントを訓練するための新しいマルチタスクエージェントトレーニングパラダイムを用いた対話型エージェント基礎モデルを提案する。 トレーニングパラダイムは、視覚マスク付きオートエンコーダ、言語モデリング、次世代の予測など、多様な事前学習戦略を統一する。 私たちは、ロボティクス、ゲームAI、ヘルスケアという3つの異なる領域でフレームワークのパフォーマンスを実演します。
  論文  参考訳（メタデータ） (2024-02-08T18:58:02Z)
• Balancing Autonomy and Alignment: A Multi-Dimensional Taxonomy for Autonomous LLM-powered Multi-Agent Architectures [0.0]
  大規模言語モデル(LLM)は、洗練された言語理解と生成能力を備えた人工知能の分野に革命をもたらした。 本稿では,LLMを用いた自律型マルチエージェントシステムが自律性とアライメントの動的相互作用をどのようにバランスさせるかを分析するために,総合的な多次元分類法を提案する。
  論文  参考訳（メタデータ） (2023-10-05T16:37:29Z)
• Multi-Agent Collaboration: Harnessing the Power of Intelligent LLM Agents [0.0]
  本稿では,マルチエージェントシステムのパワーを活用した大規模言語モデル(LLM)の能力向上のための新しいフレームワークを提案する。 本フレームワークでは,複数の知的エージェントコンポーネントがそれぞれ特有な属性と役割を持つ協調環境を導入し,複雑なタスクをより効率的に効率的に処理する。
  論文  参考訳（メタデータ） (2023-06-05T23:55:37Z)

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。