清华大学发布模块化智能体系统设计与搜索的创新架构 —— AgentSquare

AgentSquare代表的是一个特定的平台或工具。

清华大学的研究团队开发了名为AgentSquare的系统，该系统能够在模块化的设计空间中自动寻找大型语言模型代理的最佳配置。通过使用标准化的模块接口抽象方法，实现了AI代理人快速自我进化和适应性演进的目标。此框架集成了任务规划、常识推理、工具应用以及记忆学习四大关键组件，旨在根据不同的应用场景优化智能体的功能设计。AgentSquare利用模块重组技术、模块进化机制及代理性能评估模型来解决智能体设计中的搜索难题，不仅大幅提升了其效能表现，还有效地控制了推理过程的成本消耗。

AgentSquare的核心特性

• 采用分块式构建的空间布局AgentSquare构思了一个由规划、推断、工具利用及记忆四大基础组件构成的模块化架构方案，旨在让科研人员能够便捷地搭建并改进LLM代理系统。
• 组件重新排列依托于对智能体高级框架的改进，AgentSquare能够整合高效的现有组件，并探寻更加卓越的智能体构建方案。
• 组件演变AgentSquare于编码阶段探究与构建新颖的模块架构，注入创意构思并拓宽设计理念的边界。
• 效能预估通过采用替代模型来预估智能体的表现效果，能够大幅降低高昂的实际测评开支，并且加快寻找最优解的速度。
• 自动化的查找过程AgentSquare能够自主识别并改进LLM代理的架构，整个过程不需要人为参与，从而实现了智能化代理设计方案的自动化探索。

AgentSquare的操作机制

• 分段式智慧实体探寻（SegWIS）AgentSquare利用MoLAS问题框架，通过采用模块化策略来自动化提升LLM代理的设计效率与效果。
• 组件重新排列方案以大型语言模型（LLM）为框架重新设计提案，并依据性能评估的实际经验，创新性地制定出不同的模块整合策略。
• 组件演变系统利用LLM充当模块开发工具，并融合进化型基础提示（Evolutionary foundational prompt）来探究创新的模块构想。
• 效能预估框架通过运用情境替换模型来预估新兴语言模型代理的表现，从而降低评估过程中的成本开支。
• 循环查找方法AgentSquare运用迭代搜索技术，并通过模块的重新组合与优化演进来识别出更为高效的代理设计方案。
• 统一化接口界面通过定义各模块统一的输入输出接口标准，AgentSquare实现了各个组件之间的顺畅整合与互换，并且简化了新增组件的接入及验证流程。

AgentSquare项目的网址如下：

• 官方网站建设项目https://github.com/tsinghua-fib-lab/AgentSquare_website
• Git代码库：https://github.com/thu-fiber-research-group/AgentGrid
• 关于arXiv的技术文章在该论文中（可访问链接: https://arxiv.org/pdf/2410.06153），研究者们深入探讨了他们的创新发现和技术细节。

AgentSquare的使用情境

• 自动化的客户支持服务在客服行业里，AgentSquare开发的智能体能够自主回应客户的询问、管理订单并提供定制化服务。
• 智能化私人助手作为个人助手，AgentSquare为用户提供日程安排服务，提示关键事件，并协助进行信息查找及处理常规事务。
• 教学与求知在教育行业里，AgentSquare开发了智能化的教学支持软件，能够制定个性化的学习方案并进行指导。
• 健康咨询服务AgentSquare能够支持医疗卫生领域，通过智能体技术实现初诊建议、健康咨询服务及医学资料搜索功能。
• 财务抉择辅助在金融服务行业中，AgentSquare开发的智能系统能够解析市场动态，给出投资策略，并进行风险评定。