Parallelized Planning-Acting for Efficient LLM-based Multi-Agent Systems
Created by
- Haebom
Category
Empty
저자
Yaoru Li, Shunyu Liu, Tongya Zheng, Mingli Song
개요
본 논문은 대규모 언어 모델(LLM) 기반 다중 에이전트 시스템(MAS)에서 직렬 실행 방식의 한계를 극복하기 위해 병렬 계획-행동 프레임워크를 제안합니다. 기존의 LLM 기반 MAS는 에이전트들이 순차적으로 계획을 완료해야만 행동을 취할 수 있어 동적인 환경에 대한 실시간 반응 및 적응성이 떨어지는 문제점을 가지고 있습니다. 이를 해결하기 위해, 본 논문에서는 중앙 집중식 메모리 시스템을 기반으로 계획과 행동을 동시에 수행하는 이중 스레드 아키텍처를 제안합니다. 계획 스레드는 환경 상태와 에이전트 간 통신을 동기화하여 동적인 의사결정을 지원하고, 행동 스레드는 포괄적인 기술 라이브러리를 통해 재귀적 분해를 이용한 자동화된 작업 실행을 담당합니다. 마인크래프트를 이용한 실험을 통해 제안된 프레임워크의 효과를 검증했습니다.
시사점, 한계점
•
시사점:
◦
LLM 기반 MAS의 실시간 응답성 및 적응력 향상에 기여
◦
병렬 처리를 통한 복잡한 의사결정 과제 해결 효율 증대
◦
중앙 집중식 메모리 시스템과 재귀적 작업 분해를 통한 효과적인 계획 및 행동 관리
◦
마인크래프트와 같은 복잡한 환경에서의 실용성 검증
•
한계점:
◦
제안된 프레임워크의 확장성에 대한 추가적인 연구 필요
◦
다양한 환경 및 작업에 대한 일반화 가능성 검증 필요
◦
중앙 집중식 메모리 시스템의 단일 지점 장애 문제에 대한 고려 필요
◦
실험 환경이 마인크래프트로 제한되어 다른 환경으로의 일반화 가능성에 대한 추가 연구 필요
