自主代理代表展示不同程度独立的自我运作系统。最近的研究突出了大型语言模型（LLMs）模仿人类智能的显著能力，这是通过广泛的训练数据集和大量的模型参数组合实现的。本研究论文对利用LLMs的自主代理的架构、构建技术、评估方法和挑战进行了全面的研究。
LLMs已被广泛应用于自主代理的核心协调器，旨在复制人类决策过程并增强人工智能系统。上述图像展示了基于LLMs的自主代理领域的增长趋势。值得注意的是，第三个点之后X轴从年份切换到月份。从本质上讲，这些基于LLMs的代理正在从被动的语言系统转变为具有推理能力的主动目标导向代理。
基于LLMs的自主代理构建
为了有效展示类似人类的能力，需要注意两个重要方面:
- 架构设计: 选择最合适的架构对于最大程度地发挥LLMs的能力至关重要。现有研究已经进行了系统综合，形成了一个全面统一的框架。
- 学习参数优化: 为了提高架构的性能，出现了三种广泛采用的策略:
- 从例子中学习: 这种方法涉及使用精心策划的数据集对模型进行微调。
- 从环境反馈中学习: 利用实时互动和观察来提高模型的能力。
- 从人类反馈中学习: 利用人类专业知识和干预来改进模型的响应。
基于LLMs的自主代理应用
基于LLMs的自主代理在各个领域的应用标志着我们在问题解决、决策制定和创新方面的根本转变。这些代理具备语言理解、推理和适应性，通过提供无与伦比的见解、支持和解决方案产生深远影响。本节主要探讨了基于LLMs的自主代理在社会科学、自然科学和工程领域的变革效果。
基于LLMs的自主代理评估
为了评估基于LLMs的自主代理的有效性，引入了两种评估策略: 主观评估和客观评估。
- 主观评估: 某些潜在属性，如代理的智能和用户友好性，无法通过定量指标来衡量。因此，主观评估对当前的研究至关重要。
- 客观评估: 与人类评估相比，利用客观评估具有诸多优势。定量指标有助于在各种方法之间进行直接比较，并监测随时间推移的进展。进行广泛的自动化测试的可行性使得可以评估大量任务，而不仅仅是少数任务。
最后，虽然之前的工作已经展示了许多有希望的方向，但这个领域仍处于初级阶段，存在许多挑战，包括角色扮演能力、广义人类对齐、提示鲁棒性等。总之，本调查研究为我们提供了关于基于LLMs的自主代理的一切知识，并对此进行了系统总结。