01

1. 画像模块：主要描述 Agent 的背景信息

• 手工设计方法：自行通过指定的方式，将用户画像的内容写入大模型的 prompt 中；适用于 Agent 数量比较少的情况；
• 大模型生成方法：首先指定少量画像，并将其作为示例，进而使用大语言模型生成更多的画像；适用于大量 Agent 的情况；
• 数据对齐方法：需要根据事先指定的数据集中人物的背景信息作为大语言模型的 prompt，进而做相应的预测。

2. 记忆模块：主要目的是记录 Agent 行为，并为未来 Agent 决策提供支撑

• 统一记忆：仅考虑短期记忆，不考虑长期记忆；
• 混合记忆：长期记忆和短期记忆相结合

• 语言
• 数据库
• 向量表示
• 列表

• 记忆读取
• 记忆写入
• 记忆反思

3. 规划模块

• 无需反馈的规划：大语言模型在做推理的过程中无需外界环境的反馈。这类规划进一步细分为三种类型：基于单路的推理，仅使用一次大语言模型就可以完整输出推理的步骤；基于多路的推理，借鉴众包的思想，让大语言模型生成多个推理路径，进而确定最佳路径；借用外部的规划器。

• 带有反馈的规划：这种规划方式需要外界环境提供反馈，而大语言模型需要基于环境的反馈进行下一步以及后续的规划。这类规划反馈的提供者来自三个方面：环境反馈、人类反馈和模型反馈。

4. 动作模块

• 动作目标：有些 Agent 的目标是完成某个任务，有些是交流，有些是探索。

• 动作生成：有些 Agent 是依靠记忆回想生成动作，有些是按照原有计划执行特定的动作。

• 动作空间：有些动作空间是工具的集合，有些是基于大语言模型自身知识，从自我认知的角度考虑整个动作空间。

• 动作影响：包括对环境的影响、对内在状态的影响，以及对未来新动作的影响。

LLM-based Agent 重点&难点问题

1. 如何提升 Agent 的角色扮演能力

• 角色和 Agent 行为关系
• 角色在环境中演化机制

• 角色扮演评估指标
• 角色扮演评估场景

• 通过 Prompt 提升角色扮演能力：该方法本质是通过设计 prompt 来激发原有大语言模型的能力；
• 通过微调提升角色扮演能力：该方法通常是基于外部的数据，重新对大语言模型进行 finetune，来提升角色扮演能力。

2. 如何设计 Agent 记忆机制

• 基于向量检索的记忆机制
• 基于 LLM 总结的记忆机制

• 评估指标
• 评估场景

• 记忆机制的演化
• 记忆机制的自主更新

3. 如何提升 Agent 推理/规划能力

• 子任务定义和拆解
• 任务执行最优顺序

• 设计推理过程中外界反馈的融入机制：让 Agent 和环境形成互相交互的整体；
• 提升 Agent 对外界反馈的响应能力：一方面需要 Agent 真实应对外界环境，另一方面需要 Agent 能够对外界环境提出问题并寻求解答方案。

4. 如何设计多 Agent 高效协同机制

• Agents 不同角色定义
• Agents 合作机制设计

• Agents 辩论机制设计
• Agents 辩论收敛条件确定

基于大语言模型的用户行为模拟智能体

1. 画像模块

2. 记忆模块

• 将客观观测到的 raw observation 进行处理后，生成信息量更高的观测，将其存放到短期记忆中；
• 短期记忆内容的存储时间比较短

• 短期记忆的内容经过反复的触发和激活后，会自动传入到长期记忆中
• 长期记忆内容的存储时间比较长
• 长期记忆的内容会根据现有的记忆进行自主的反思以及升华提炼。

• Agent 在推荐系统中的行为，包括看电影、查找下一页以及离开推荐系统等；
• Agent 之间的对话行为；
• Agent 在社交媒体发帖的行为。

基于大语言模型的多智能体软件开发

LLM-based Agent 未来方向

• 解决特定任务，如 MetaGPT、ChatDev、Ghost、DESP 等
  这类 Agent 最终应是一个和人类正确价值观对齐的“超人”，其中有两个“限定词”：
  对齐正确的人类价值观；
  超越常人能力。
• 模拟现实世界，如 Generative Agent、Social Simulation、RecAgent等
  这类 Agent 所需要的能力，和第一类是截然相反的。
  允许 Agent 呈现多样的价值观；
  希望 Agent 尽量符合普通人，而不是超越常人。

• 幻觉问题
  由于 Agent 需要跟环境进行不断交互，因此每个步骤的幻觉都会被累加，即会产生累积效应，让问题变得更加严重；因此大模型的幻觉问题在这里需要得到进一步的重视。其解决办法包括：
  设计高效的人机协作框架；
  设计高效的人类干预机制。
• 效率问题
  在模拟过程中，效率是个非常重要的问题；下表总结了不同 Agent 在不同API 数量下的耗时。