该文综述2023至2024年研究，探讨大语言模型作为智能体在多轮交互、协作与评估中的推理决策能力。研究提出TrainerAgent、ChatEval、ScaleEval等框架，利用多代理协作与辩论提升任务优化和评估可靠性，并构建基准测试衡量多主体环境能力，发现GPT-4与Llama-2-70B存在三倍差距，概率图模型可平均提升50%能力。

该文综述基于大语言模型（LLM）的智能体研究：用LLM教师指导训练小规模学生智能体以提升样本效率；将LLM应用于多智能体系统、ARC推理、符号推理及Minecraft任务，并借助环境反馈迭代改进；从博弈论与强化学习视角重构LLM训练过程，探讨对齐问题；综述其在社会科学、自然科学和工程领域的应用、评估策略及未来挑战。