Мультиагентные системы на базе больших языковых моделей

Основное внимание в исследовании уделяется методу ансамблирования LLM агентов и улучшению его производительности путем введения решающего агента (Deciding-Agent). Этот агент анализирует решения, предоставленные основной мультиагентной системой, и выбирает наиболее оптимальный ответ. Работа состоит из нескольких ключевых частей: Анализ методов мультиагентных систем: Включает в себя рассмотрение существующих методов на основе выборки и голосования, а также анализ их эффективности на задачах истории и математики. Предложение нового подхода: Введение решающего агента для улучшения качества решений. Этот агент объединяет и структурирует информацию от нескольких агентов, что способствует более обоснованному и точному финальному ответу. Применение к задачам ответов на вопросы по контексту: Эксперименты, демонстрирующие, как мультиагентные системы могут улучшить качество ответов на основе анализа нескольких контекстных пассажа. Использование GPT-4 для решения датасета по игре «Что? Где? Когда?»: Анализ и результаты применения мультиагентных систем в данной задаче. Исследование показало, что использование решающего агента с цепочкой рассуждений (Chain of Thought) значительно повышает качество решений. Прирост качества составил 12 процентных пунктов в задачах математики и 8 процентных пунктов в задачах по истории. Метод также продемонстрировал свою универсальность и эффективность в различных задачах, включая ответы на вопросы по контексту. В заключение работы подчеркивается, что предложенный подход улучшает производительность мультиагентных систем, обеспечивая высокую точность и гибкость при решении широкого спектра задач. Дальнейшие исследования могут включать увеличение числа агентов, применение метода к моделям с дообучением и дообучение финального агента для улучшения анализа и принятия решений.