基于LLM的自主Agent构建综述

拆解下这篇paper的核心重要模块 [一R]Profile Module - 定义代理角色的配置文件 - 包括基本信息（如年龄、性别、职业）和心理信息（反映个性和社交信息） - 配置文件生成策略 - 手工制作法 - LLM生成法 - 数据集对齐法 [二R]Memory Module - 存储环境感知信息 - 促进未来行动 - 记忆结构 - 统一记忆 - 混合记忆 - 记忆格式 - 自然语言 - 嵌入 - 数据库 - 结构化列表 - 记忆操作 - 记忆阅读 - 记忆写作 - 记忆反思 [三R]Planning Module - 赋予代理人类类似的规划能力 - 无反馈规划 - 单路径推理 - 多路径推理 - 外部规划者 - 有反馈规划 - 环境反馈 - 人类反馈 - 模型反馈 [四R]Action Module - 将决策转化为具体结果 - 行动目标 - 任务完成 - 通信 - 环境探索 - 行动生成 - 通过记忆回忆采取行动 - 通过计划遵循采取行动 - 行动空间 - 外部工具 - APIs - 数据库和知识库 - 外部模型 - 内部知识 - 规划能力 - 交流能力 - 常识理解能力 - 行动影响 - 改变环境 - 改变内部状态 - 触发新的行动 💪遇到的挑战 1. 角色扮演能力 2. 广义人类对齐 3. 提示鲁棒性 4. 幻觉问题 5. 知识边界 6. 效率问题 🌟这些挑战需要通过微调LLM、精心设计代理提示/架构、开发统一且有弹性的提示框架、纳入人类纠正反馈、实施适当策略限制知识使用以及优化LLM推理速度等方法来解决。