这篇发表于arXiv的综述论文（arXiv:2308.11432）由北京大学等多个机构的研究者联合发表，是目前关于 LLM 自主智能体领域最全面的综述之一。
背景与动机
自主智能体一直是学术界和工业界的重要研究焦点。以往的研究通常让智能体在孤立环境中获取有限知识，这与人类的学习过程截然不同，因此智能体难以实现像人类一样的决策。
近年来，通过获取海量网络知识，大语言模型（LLM）展现了实现人类水平智能的显著潜力，由此引发了基于 LLM 的自主智能体研究热潮。
核心贡献
本文提出了一个统一框架来阐述 LLM 自主智能体的构建，涵盖大多数现有工作。框架主要包含三个部分：
1. 智能体构建（Agent Construction）
包括：
- 大脑模块（Brain）：基于 LLM 的核心认知引擎，负责记忆、推理和决策
- 感知模块（Perception）：处理来自外部环境的多模态输入
- 行动模块（Action）：执行具体任务和与环境交互
2. 应用领域（Applications）
论文全面概述了 LLM 自主智能体在以下领域的应用：
- 社会科学：包括心理学、法学、经济学、政治学等
- 自然科学：包括数学、化学、生物、医学等
- 工程学：包括工业自动化、软件开发、机器人等
3. 评估策略（Evaluation）
论文深入探讨了常用的 LLM 自主智能体评估方法，包括：
- 任务完成度评估
- 智能体能力评估
- 安全性与可靠性评估
- 人类兼容性评估
未来方向与挑战
论文还提出了几个关键挑战和未来研究方向：
1. 多智能体协作：如何让多个 LLM 智能体高效协作 2. 长期记忆机制：如何在长程任务中维护和利用记忆 3. 持续学习：如何让智能体在不遗忘先前知识的情况下持续学习 4. 可解释性：如何让智能体的决策过程更加透明可解释 5. 安全对齐：如何在开放环境中确保智能体行为安全
论文维护了一个 GitHub 仓库（github.com/Paitesanshi/LLM-Agent-Survey）用于持续跟踪该领域的最新研究进展。