論文の概要: LLM-Agent-Controller: A Universal Multi-Agent Large Language Model System as a Control Engineer
- arxiv url: http://arxiv.org/abs/2505.19567v1
- Date: Mon, 26 May 2025 06:30:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-27 16:58:43.214949
- Title: LLM-Agent-Controller: A Universal Multi-Agent Large Language Model System as a Control Engineer
- Title（参考訳）: LLM-Agent-Controller: 制御技術者としての多言語多言語モデルシステム
- Authors: Rasoul Zahedifar, Sayyed Ali Mirghasemi, Mahdieh Soleymani Baghshah, Alireza Taheri,
- Abstract要約: LLM-Agent-Controllerは制御工学の幅広い問題に対処するために開発された多エージェント大言語モデル(LLM)システムである(制御理論)。
監督官は高いレベルの意思決定とワークフローの調整を監督し、システムの信頼性と効率を高める。
ユーザーは制御理論の事前知識を必要とせず、平易な言語で問題を入力し、完全なリアルタイムソリューションを受信できるように設計されている。
- 参考スコア（独自算出の注目度）: 2.4392539322920763
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This study presents the LLM-Agent-Controller, a multi-agent large language model (LLM) system developed to address a wide range of problems in control engineering (Control Theory). The system integrates a central controller agent with multiple specialized auxiliary agents, responsible for tasks such as controller design, model representation, control analysis, time-domain response, and simulation. A supervisor oversees high-level decision-making and workflow coordination, enhancing the system's reliability and efficiency. The LLM-Agent-Controller incorporates advanced capabilities, including Retrieval-Augmented Generation (RAG), Chain-of-Thought reasoning, self-criticism and correction, efficient memory handling, and user-friendly natural language communication. It is designed to function without requiring users to have prior knowledge of Control Theory, enabling them to input problems in plain language and receive complete, real-time solutions. To evaluate the system, we propose new performance metrics assessing both individual agents and the system as a whole. We test five categories of Control Theory problems and benchmark performance across three advanced LLMs. Additionally, we conduct a comprehensive qualitative conversational analysis covering all key services. Results show that the LLM-Agent-Controller successfully solved 83% of general tasks, with individual agents achieving an average success rate of 87%. Performance improved with more advanced LLMs. This research demonstrates the potential of multi-agent LLM architectures to solve complex, domain-specific problems. By integrating specialized agents, supervisory control, and advanced reasoning, the LLM-Agent-Controller offers a scalable, robust, and accessible solution framework that can be extended to various technical domains.
- Abstract（参考訳）: 本研究では,制御工学の幅広い問題に対処するために開発された多エージェント大規模言語モデル (LLM) システム LLM-Agent-Controller を提案する。
このシステムは、中央コントローラエージェントと複数の特別な補助エージェントを統合し、コントローラ設計、モデル表現、制御分析、時間領域応答、シミュレーションなどのタスクに責任を負う。
監督官は高いレベルの意思決定とワークフローの調整を監督し、システムの信頼性と効率を高める。
LLM-Agent-Controllerには、Retrieval-Augmented Generation (RAG)、Chain-of-Thought推論、自己批判と修正、効率的なメモリハンドリング、ユーザフレンドリーな自然言語通信など、高度な機能が含まれている。
ユーザーは制御理論の事前知識を必要とせず、平易な言語で問題を入力し、完全なリアルタイムソリューションを受信できるように設計されている。
システムを評価するために,各エージェントとシステム全体を評価する新しいパフォーマンス指標を提案する。
制御理論問題とベンチマーク性能の5つのカテゴリを3つの先進LLMで検証する。
さらに、すべての主要なサービスをカバーする総合的な質的な会話分析を行う。
その結果, LLM-Agent-Controllerは一般タスクの83%を解き, 個々のエージェントの平均成功率は87%であった。
LLMの改良により性能が向上した。
本研究は、複雑なドメイン固有の問題を解決するためのマルチエージェントLLMアーキテクチャの可能性を示す。
LLM-Agent-Controllerは、特殊エージェント、監督制御、高度な推論を統合することで、スケーラブルで堅牢で、さまざまな技術的ドメインに拡張可能なソリューションフレームワークを提供する。
関連論文リスト
- 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) - AutoAgent: A Fully-Automated and Zero-Code Framework for LLM Agents [4.57755315319748]
大規模言語モデル (LLM) エージェントはタスクの自動化とインテリジェントな意思決定において顕著な能力を示した。
これらのフレームワークは、主に開発者に対して広範な技術的専門知識を提供する。
世界の人口の0.03%のみが必要なプログラミングスキルを持っている。
論文 参考訳（メタデータ） (2025-02-09T16:53:56Z) - MALT: Improving Reasoning with Multi-Agent LLM Training [66.9481561915524]
MALT(Multi-Agent LLM Training)は、推論プロセスを生成、検証、改善ステップに分割する、新しいポストトレーニング戦略である。
MATH、GSM8K、CSQAでは、MALTは、それぞれ15.66%、7.42%、9.40%の相対的な改善で同じベースラインLLMを上回っている。
論文 参考訳（メタデータ） (2024-12-02T19:30:36Z) - MaCTG: Multi-Agent Collaborative Thought Graph for Automatic Programming [10.461509044478278]
MaCTG (MultiAgent Collaborative Thought Graph) は動的グラフ構造を用いる新しいマルチエージェントフレームワークである。
プログラム要求に基づいてエージェントロールを自律的に割り当て、タスクの分散を動的に洗練し、プロジェクトレベルのコードを体系的に検証し統合する。
MaCTGは既存のマルチエージェントフレームワークと比較して運用コストを89.09%削減した。
論文 参考訳（メタデータ） (2024-10-25T01:52:15Z) - ControlAgent: Automating Control System Design via Novel Integration of LLM Agents and Domain Expertise [14.14268499543524]
制御系設計は、様々な分野にわたる広範囲の応用を持つ近代工学の重要な側面である。
様々な領域におけるLarge Language Models (LLM) の進歩にもかかわらず、制御系設計におけるそれらの応用は、制御理論の複雑さと特異性のために制限されている。
LLMエージェントと制御指向ドメイン専門知識の新たな統合により制御システム設計を自動化する新しいパラダイムであるControlAgentを紹介する。
論文 参考訳（メタデータ） (2024-10-17T17:42:48Z) - 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) - EvoAgent: Towards Automatic Multi-Agent Generation via Evolutionary Algorithms [55.77492625524141]
EvoAgentは、特殊エージェントをマルチエージェントシステムに自動的に拡張するジェネリックメソッドである。
EvoAgent は LLM エージェントのタスク解決能力を大幅に向上させることができることを示す。
論文 参考訳（メタデータ） (2024-06-20T11:49:23Z) - Adaptive In-conversation Team Building for Language Model Agents [33.03550687362213]
複数の大規模言語モデル(LLM)エージェントを活用することは、複雑なタスクに取り組む上で有望なアプローチであることが示されている。
私たちの新しい適応型チーム構築パラダイムは、Captain Agentという新しいエージェント設計を通じて実現された柔軟なソリューションを提供します。
6つの実世界のシナリオに対する包括的な評価は、Captain Agentが既存のマルチエージェントメソッドを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2024-05-29T18:08:37Z) - 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) - 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。