Исследование интеллектуальных агентов на основе больших языковых моделей: определения, методы и перспективы
Exploring Large Language Model‐Based Intelligent Agents: Definitions, Methods, and Prospects
2026-07-24
SCID: 54.1/y32t2vsw
Discuss with AI
бенчмарки оценки агентовагенты на основе больших языковых моделеймультиагентные системыпланирование и памятьиспользование инструментов
Figures from the paper
Abstract (AI)
Концепция интеллектуального агента представляет собой давнюю цель исследований в области искусственного интеллекта. Недавние достижения в сфере больших языковых моделей (LLM) catalyzed смену парадигмы, сделав возможной разработку сложных агентов, демонстрирующих передовые способности к рассуждению, планированию и использованию инструментов в различных предметных областях. Эти агенты на основе LLM, использующие естественный язык как универсальный интерфейс для познания и взаимодействия, быстро переходят от теоретических конструкций к практическим приложениям — от автономных помощников для выполнения задач до сложных мультиагентных симуляций социальных и экономических систем. В статье представлен интегративный обзор этого быстро развивающегося направления. Сначала предлагается систематизирующая структура для понимания агентов на основе LLM, в рамках которой одноагентные и мультиагентные системы последовательно разлагаются на базовые компоненты. Анализируются архитектурные принципы и ключевые механизмы, лежащие в основе их интеллектуальных возможностей, включая парадигмы планирования, структуры памяти и самоулучшение на основе рефлексии. Кроме того, исследуется динамика мультиагентных систем, включая стратегии координации, протоколы коммуникации и организационные структуры. В статье также рассматриваются важнейшие аспекты оценки производительности, выделяются влиятельные бенчмарки и определяются ключевые проблемы. Наконец, обобщается современное состояние этой области, обсуждаются основные вызовы, такие как внутренние ограничения LLM и сложность обеспечения безопасности и согласованности, а также намечаются перспективные направления дальнейших исследований, включая переход к непрерывному обучению и расширение мультимодальных возможностей.
Key Findings
1
Ключевые механизмы агентного интеллекта включают парадигмы планирования, структуры памяти и самосовершенствование на основе рефлексии.
2
Агенты на основе LLM используют естественный язык как универсальный интерфейс и всё шире поддерживают рассуждение, планирование, использование инструментов и практические автономные приложения.
3
К основным нерешённым проблемам относятся внутренние ограничения LLM, безопасность и согласование целей, непрерывное обучение и развитие мультимодальных возможностей.
4
Эффективность многоагентных систем зависит от стратегий координации, протоколов коммуникации и организационных структур; для оценки применяются значимые бенчмарки.
5
Статья представляет интегративный обзор и систематизирующую структуру для одноагентных и многоагентных систем на основе больших языковых моделей.
Research Object
интеллектуальные агенты на основе больших языковых моделей, включая одноагентные и многоагентные системы
Research Subject
их архитектуры, ключевые механизмы, динамика координации и коммуникации, оценка производительности, проблемы безопасности и согласования, а также будущие возможности
Publication Details
Publication Date
2026-07-24
Journal
Publisher
ISSN
Cited by
291
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai20
Речевые акты1969
Обучение с подкреплением: обзор1996
Обзор больших языковых моделей2026
Большие языковые модели кодируют клинические знания2023
Затерянные в середине: как языковые модели используют длинные контексты2024
Обзор автономных агентов на основе больших языковых моделей2024
Обучение с подкреплением в робототехнике: обзор2013
Встраивание графа знаний: обзор подходов и приложений2017
Генеративные агенты: интерактивные симулякры человеческого поведения2023
🧜Песнь сирены в океане ИИ: обзор галлюцинаций в больших языковых моделях2025
Искры искусственного общего интеллекта: ранние эксперименты с GPT-42023
Оценка больших языковых моделей, обученных на коде2021
Автономные химические исследования с использованием больших языковых моделей2023
Стимулирование дивергентного мышления у больших языковых моделей с помощью дебатов между несколькими агентами2024
Могут ли большие языковые модели преобразовать вычислительную социальную науку?2023
Расширение возможностей больших языковых моделей с помощью химических инструментов2024
Chatlaw: многоагентный юридический ассистент на основе архитектуры смеси экспертов, согласованной с ролями2026
ExpeL: агенты на основе больших языковых моделей — обучающиеся на опыте2024
Может ли генеративный ИИ улучшить социальные науки?2024
AgentTuning: развитие обобщённых агентских способностей больших языковых моделей2024
Работы, цитирующие эту статью7
AI-агенты и агентные системы: анализ нескольких экспертов2025
От языка к действию: обзор больших языковых моделей как автономных агентов и пользователей инструментов2026
Определение и обнаружение дефектов автономных агентов на основе больших языковых моделей2026
Агентный искусственный интеллект в здравоохранении: возможности, вызовы и перспективные направления2026
SafeScientist: к выявлению научных открытий с учетом рисков при использовании агентов LLM2025
Иерархическая таксономия отказов для оценки надежности ИИ-агентов: эмпирический анализ бенчмарка Agent Failure Atlas 20262026
SafeScientist: Повышение безопасности AI-учёного для риск-ориентированных научных открытий2025