طبقه بندی عاملهای خودمختار مبتنی بر مدلهای زبانی بزرگ

مدلهای زبانی بزرگ (LLM) در سالهای اخیر از ابزارهایی صرفا مولد متن به هسته مرکزی عاملهای خودمختار (Autonomous Agents) تبدیل شده اند. این عاملها قادرند با محیط تعامل کنند، ابزارها را فراخوانی نمایند، زنجیره ای از اقدامات را برنامه ریزی کرده و بدون نظارت پیوسته، انسان به اهداف تعیین شده دست یابند. با این حال، رشد سریع پژوهش در این حوزه منجر به ظهور معماری ها، رویکردها و اصطلاحات گوناگون شده است و نبود یک چارچوب دسته بندی روشن مقایسه سیستم های مختلف و شناسایی روندهای اصلی را دشوار می سازد. مقاله حاضر با ارائه یک رده بندی سیستماتیک از عاملهای خودمختار مبتنی بر LLM، به این خلا پاسخ می دهد. این طبقه بندی بر اساس چهار محور اصلی انجام می شود: (۱) معماری درونی شامل حلقه تصمیم گیری، حافظه و ماژول برنامه ریزی، (۲) نحوه تعامل با ابزارهای خارجی از فراخوانی ساده API تا استفاده پویا از محیط، (۳) ساختار حلقه تصمیم گیری شامل عامل های واکنشی، تاملی و ترکیبی، و (۴) پیکربندی عامل ها در قالب تک عاملی و چند عاملی. در این چارچوب عامل های شناخته شده ای نظیر Reflexion، React BabyAGI AutoGPT و GPT-Engineer طبقه بندی شده و نقاط قوت و ضعف هر دسته مورد تحلیل قرار می گیرد. یافته ها نشان می دهد که روند غالب پژوهش ها حرکت از عامل های واکنشی ساده به سمت عامل هایی با قابلیت خودبازبینی (Self-Reflection)، حافظه بلندمدت و ساختارهای چند عاملی است. همچنین شکاف قابل توجهی میان عملکرد عامل ها در محیط های شبیه سازی شده مانند WebArena و محیط های واقعی مشاهده می شود. چارچوب پیشنهادی این مقاله می تواند به عنوان یک نقشه مفهومی برای تحلیل، مقایسه و طراحی نسل آینده عامل های مبتنی بر مدل های زبانی بزرگ مورد استفاده پژوهشگران و توسعه دهندگان قرار گیرد.

کلیدواژه ها:

مدلهای زبانی بزرگ ، عاملهای خودمختار ، عاملهای مبتنی بر LLM ، معماری عامل ، استفاده از ابزار ، حلقه تصمیم گیری ، عامل های بازتابی ، عامل های چندعاملی ، خود بازبینی