大型语言模型（LLM）展示了令人印象深刻的自然语言创作和解释能力。这些模型的例子包括GPT、Claude、Palm和Llama。许多应用程序，如聊天机器人、虚拟助手和内容生成系统，广泛使用了这些模型。LLM可以通过提供更直观、更自然的体验，完全改变人与技术的互动方式。代理被定义为能够计划任务、监视环境并采取适当行动响应的自主实体。使用大型语言模型（LLM）或其他AI技术的代理属于此类。
许多框架已经尝试使用LLM进行任务导向型对话，包括Langchain、Semantic Kernel、Transformers Agent、Agents、AutoGen和JARVIS。使用这些框架，用户可以通过用简单的语言提问并获取答案的方式与LLM驱动的机器人进行交流。然而，许多框架存在诸多缺点，限制了它们在数据分析活动和特定领域的情况下的性能。大多数当前框架在处理复杂数据结构（如嵌套列表、字典或数据框）方面，没有原生支持是它们的主要缺点之一。
然而，许多当前框架在处理这些结构时需要帮助，尤其是在不同插件或聊天轮之间共享数据时。在这些情况下，这些框架会将复杂的结构编码为字符串或JSON对象，并将数据存储到磁盘上。这些方法是有效的；然而，特别是在处理大型数据集时，它们可能变得复杂并增加错误率。当前方法无法配置以包括领域知识的能力是另一个缺点。虽然这些框架提供了快速的工程工具和示例，但它们必须提供一种将领域特定信息整合到规划和代码生成过程中的系统化方法。
由于约束的存在，很难根据特定领域需求来控制规划和代码生成过程。许多当前框架面临的另一个问题是它们可能缺乏灵活性，很难适应广泛的用户需求。插件可以处理常见需求，但可能需要帮助来处理临时需求。为每个临时查询编写不同的插件是不可行的。在这些情况下，代理根据用户查询开发独特的代码执行能力变得至关重要。为解决这个问题，需要一种能够平稳地将定制代码执行与插件执行相结合的解决方案。
为了克服这些缺点，微软的研究团队提出了TaskWeaver，这是一个用于创建LLM驱动的自主代理的面向代码的框架。TaskWeaver的独特特性是它能够将用户定义的插件视为可调用的函数，将每个用户请求转换为可执行的代码。TaskWeaver支持复杂的数据结构、灵活的插件使用和动态插件选择，帮助克服其他框架的缺点。它通过利用LLM的编码能力实现复杂逻辑，并通过示例集成领域特定知识。
此外，TaskWeaver为开发人员提供直观的界面，并显著提高了所创建代码的安全执行。研究团队在本文中描述了TaskWeaver的体系结构和实现，并展示了它在不同任务处理方面的出色表现。TaskWeaver为创建具有智能能力的对话代理提供了一个强大而灵活的框架，能够处理具有挑战性的任务并根据特定领域条件进行调整。