语音代理：多模式多智能体系统下的人际交流模拟
内容提要
该文综述大语言模型与多智能体系统结合的多项研究：ChatEval多代理辩论框架模拟人类评估文本质量；多智能体协作框架具备规划、沟通与长期任务合作能力；LLM结合多智能体用于6G通信任务；多模态交互系统将英语指令映射为领域代码；协作生成代理在模拟招聘会中展现类人推理与专业技能但协调能力有限；多模态代理可操作智能手机应用并自主学习；LLM融入多智能体系统实现自适应；交流学习法使代理通过互动持续改进；兴趣引擎模拟可信人类行为。
延伸解读
多智能体协作的潜力与局限
文章指出，基于大语言模型的多智能体框架在规划、沟通和长期任务合作上表现良好，且与人类沟通的模型更易获得信任。然而，在模拟招聘会的案例中，协作生成代理虽展现出类人推理和专业技能，但协调能力有限，阻碍了其在更复杂任务中的效果。这表明当前多智能体系统在任务导向的社会模拟中仍有提升空间。
评估与训练方法的创新
ChatEval通过多代理辩论框架模拟人类评估过程，不仅提供文本评分，还增强了评估的可靠性。同时，交流学习法（LTC）让代理通过与环境和其他代理的互动持续改进，并在不同领域展现出多样性和效率。这些方法为多智能体系统的评估和训练提供了新思路，但需注意避免代理发展出仅针对特定场景的有效编码。
多模态交互的应用拓展
文章介绍了多模态交互系统将英语指令映射为领域代码，以及多模态代理操作智能手机应用的能力。后者通过模拟点击和滑动，避免系统后端访问，扩大了适用性，并在10个应用50个任务中验证了熟练度。这些进展显示了多模态代理在跨应用复杂任务中的潜力，但文章未提及具体性能指标或泛化能力。
Q&A
ChatEval 是什么？它如何模拟人类评估文本质量？
ChatEval 是一个基于多代理辩论框架构建的多代理裁判团队，用于自主讨论和评估不同模型在开放性问题和传统自然语言生成任务中生成响应的质量。它不仅提供文本评分，还模拟人类评估过程以进行可靠评估。
基于大语言模型的多智能体合作框架具备哪些能力？
该框架具备规划、沟通和与其他人类或智能体合作完成长期任务等能力，并且在多种身体环境中测试效果良好。与人类沟通的模型更容易获得信任，为未来智能体合作研究奠定了基础。
大型语言模型如何应用于 6G 通信任务？
利用大型语言模型结合多智能体系统和自然语言输入，可以解决 6G 通信中的任务需求、通信知识获取以及相关问题的评估与改进。
协作生成代理在模拟招聘会中表现如何？有哪些局限？
协作生成代理被赋予一致的行为模式和解决任务的能力，在模拟招聘会环境中展现出类人推理与专业技能，评估结果显示有希望的性能。但研究也发现存在限制，阻碍了它们在更复杂的协调任务中的效果。
多模态代理如何操作智能手机应用并学习新任务？
该多模态代理框架通过简化的操作空间模拟人类的点击和滑动等交互，避免系统后端访问，扩大适用性。其核心是创新的学习方法：通过自主探索或观察人类示范学习并构建知识库，以执行跨不同应用的复杂任务。在 10 个不同应用程序的 50 个任务测试中证明了其熟练程度。
交流学习（LTC）方法如何让代理持续改进？
基于大语言模型提出的交流学习（LTC）训练方法，使代理人能够通过与环境和其他代理的互动不断改进，通过三种结构化通信模式进行特定任务的学习，并在不同领域展现了 LTC 方法的多样性和效率。
