Guided Collaboration in Heterogeneous LLM-Based Multi-Agent Systems via Entropy-Based Understanding Assessment and Experience Retrieval

Created by

Haebom

저자

Linlin Wang, Tianqing Zhu, Laiqiao Qin, Longxiang Gao, Wanlei Zhou

💡 개요

이 논문은 서로 다른 성능을 가진 대규모 언어 모델(LLM) 기반 다중 에이전트 시스템(HMAS)에서 협업 효율성을 높이기 위한 프레임워크를 제안합니다. 강-약 에이전트 간의 인지 불일치가 협업 성능 저하의 주요 원인임을 발견하고, 에이전트의 이해도를 다차원 엔트로피로 측정하여 맞춤형 지침을 제공하는 프레임워크를 개발했습니다. 또한, 성공적인 협업 경험을 저장하고 재활용하는 RAG 메커니즘을 통해 장기적인 학습 효과를 얻습니다.

🔑 시사점 및 한계

•

향상된 이기종 협업: 제안된 엔트로피 기반 적응형 지침 프레임워크는 이기종 LLM 기반 다중 에이전트 시스템에서 강-약 에이전트 간의 인지 불균형을 효과적으로 완화하여 협업 성능과 안정성을 크게 향상시킵니다.

•

확장 가능한 다중 에이전트 지능: 경험 재활용을 위한 RAG 메커니즘은 단기 적응뿐만 아니라 장기적인 학습을 가능하게 하여, 더 견고하고 협력적인 다중 에이전트 지능 시스템 구축을 위한 확장 가능한 경로를 제공합니다.

•

다차원 이해도 측정의 중요성: 에이전트의 이해도를 표현, 불확실성, 구조, 일관성, 관련성 등 다양한 측면의 엔트로피로 측정하는 방식은 에이전트의 인지 상태를 보다 정확하게 파악하고 맞춤형 지침을 제공하는 데 핵심적인 역할을 합니다.

PDF 보기

Made with Slashpage