論文の概要: Understanding Issues, Causes and Solutions in Open-Source LLM-based Multi-Agent Systems

• arxiv url: http://arxiv.org/abs/2610.00905v1
• Date: Thu, 01 Oct 2026 01:34:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.841087
• Title: Understanding Issues, Causes and Solutions in Open-Source LLM-based Multi-Agent Systems
• Title（参考訳）: オープンソースのLCMベースマルチエージェントシステムにおける課題・原因・解決策の理解
• Abstract要約: オーケストレーションと実行の問題は、実践者が直面する最も一般的な問題です。 問題の最も頻繁な原因は、問題、統合問題、メモリ問題である。
• 参考スコア（独自算出の注目度）: 3.9552144020194535
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the advancement of LLM-based multi-agent systems (MAS), an increasing number of opensource projects are adopting multi-agent architectures as the foundation of their core functionality. Although research and practice on MAS have attracted considerable attention, limited studies have explored the challenges faced by practitioners of open-source LLM-based MAS, the causes of these challenges, and potential solutions. To address this gap,we conducted an empirical study to understand the issues that practitioners encounter when developing and using open-source LLM-based MAS, the possible causes of these issues, and potential solutions. We collected 22,848 closed issues from 21 open-source LLM-basedMASand applied a mixed automated and manual filtering approach to reduce the dataset to 944 issues related to LLM-based MAS.We then analyzed these issues to understand the frequent issues encountered by practitioners, their underlying causes, and potential solutions. Our study results show that (1) Orchestration & Execution Issue is the most common issue faced by practitioners, (2) Workflow Problem, Tool Integration Problem, and Memory Problem are identified as the most frequent causes of the issues, and (3) Optimize Workflow is the predominant solution to the issues. Based on the study results, we derive empirically grounded implications for practitioners and researchers aimed at improving orchestration, tool integration, and memory mechanisms in LLM-based MAS.
• Abstract（参考訳）: LLMベースのマルチエージェントシステム(MAS)の発展に伴い、コア機能の基礎としてマルチエージェントアーキテクチャを採用するオープンソースプロジェクトが増えている。 MASの研究や実践は注目されているが、オープンソースLLMベースのMASの実践者が直面している課題、これらの課題の原因、潜在的な解決策について限定的な研究がなされている。 このギャップに対処するため,我々は,オープンソースのLLMベースのMASの開発と利用において,実践者が直面する問題,これらの問題の原因,潜在的な解決策を理解するための実証的研究を行った。 我々は、21のオープンソースLLMベースのMASから22,848のクローズドイシューを収集し、データセットをLLMベースのMASに関連する944の課題に減らすために、混合自動および手動フィルタリングアプローチを適用した。 その結果,(1) 作業者が直面する最も一般的な課題はオーケストレーションと実行の問題,(2) 作業課題,ツール統合問題,メモリ問題,(3) 作業の最適化が課題の最も頻繁な原因であることがわかった。 本研究は, LLMをベースとしたMASにおけるオーケストレーション, ツール統合, メモリ機構の改善を目的とした, 実践者や研究者に対して, 実験的に示唆された意味を導出する。

関連論文リスト

• Investigating LLM's Problem Solving Capability -- a Study on Statics Questions [0.0]
  大規模言語モデル(LLM)は、社会の多くの側面、特に教育に急速に影響を与えている。 本研究では, モデル蒸留法を用いて, 静的問題の解法におけるLLM機能の評価を行う。 実験の結果, LLMはテキストのみの静的問題では良好に動作するが, ダイアグラムを導入すると精度が低下することがわかった。
  論文  参考訳（メタデータ） (2026-04-30T20:17:09Z)
• An Empirical Study of Perceptions of General LLMs and Multimodal LLMs on Hugging Face [14.74493586860506]
  我々は,多様なモデルと活発なコミュニティを持つ主要なモデルハブであるHugging Faceについて,ユーザディスカッションを行った。 我々の分析によると、LSMアクセス障壁、生成品質、デプロイメントと起動の複雑さが最も重要な関心事であることがわかった。
  論文  参考訳（メタデータ） (2026-04-07T12:19:27Z)
• ReliableMath: Benchmark of Reliable Mathematical Reasoning on Large Language Models [70.33764118171463]
  大きな言語モデル(LLM)は、解決不可能な問題やその能力を超える問題に直面した時に、信頼できない応答を作る傾向があります。 我々はオープンソースの解決可能問題と高品質の未解決問題を含むReliableMathデータセットを開発した。 LLMは解決不可能な問題を直接特定できず、常に生成された応答を生成する。
  論文  参考訳（メタデータ） (2025-07-03T19:19:44Z)
• Demystifying Issues, Causes and Solutions in LLM Open-Source Projects [15.881912703104376]
  LLMオープンソースソフトウェアの開発と利用において,実践者が直面する問題を理解するための実証的研究を行った。 LLMの15のオープンソースプロジェクトから、クローズドな問題をすべて収集し、要件を満たす問題をラベル付けしました。 本研究の結果から,モデル課題は実践者が直面する最も一般的な問題であることが示唆された。
  論文  参考訳（メタデータ） (2024-09-25T02:16:45Z)
• Can LLMs Solve longer Math Word Problems Better? [47.227621867242]
  数学語問題(MWP)は、大規模言語モデル(LLM)の能力を評価する上で重要な役割を果たす。 より長い文脈が数学的推論に与える影響は未解明のままである。 本研究は文脈長一般化可能性(CoLeG)の研究の先駆者である。
  論文  参考訳（メタデータ） (2024-05-23T17:13:50Z)
• Small Models, Big Insights: Leveraging Slim Proxy Models To Decide When and What to Retrieve for LLMs [60.40396361115776]
  本稿では,スリムプロキシモデルを用いた大規模言語モデル (LLM) における知識不足を検知する新しい協調手法であるSlimPLMを提案する。 パラメータがはるかに少ないプロキシモデルを採用し、回答を回答としています。 ヒューリスティックな回答は、LLM内の既知の未知の知識と同様に、ユーザの質問に答えるために必要な知識を予測するのに使用される。
  論文  参考訳（メタデータ） (2024-02-19T11:11:08Z)
• Survey on Factuality in Large Language Models: Knowledge, Retrieval and Domain-Specificity [61.54815512469125]
  本調査は,大規模言語モデル(LLM)における事実性の重要課題に対処する。 LLMが様々な領域にまたがる応用を見出すにつれ、その出力の信頼性と正確性は重要となる。
  論文  参考訳（メタデータ） (2023-10-11T14:18:03Z)

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。