这篇论文探讨了基于大型语言模型（LLM）的智能代理的发展和潜力。传统的AI算法或训练策略只能提高特定任务的表现，而LLM作为通用且强大的模型，可以为设计适应不同场景的智能代理提供基础。作者提出了一个包含“大脑”、“感知”和“行动”的通用框架，并将其应用于单个代理、多代理和人机合作等不同应用场景中。此外，他们还探索了LLM代理在社会中的行为和个性特征，以及它们对人类社会的启示。该论文总结了一些关键问题和开放性挑战。
论文方法
方法描述
本文提出了一种基于LLM（LanguageModel）的代理人社会模型，即“AgentSociety”。该模型是一个开放、持久、定位和组织化的框架，在其中LLM代理人在定义环境中相互交互。这种方法与传统的系统级模拟不同，它更关注个体行为的模拟，因此被称为微级模拟或多代理系统（MAS）。通过在虚拟或物理世界中添加或删除实体以及可适应的资源工具API等方式，环境可以扩展和改变。此外，人类也可以参与代理人社会，扮演代理人角色或将自己视为引导这些代理人的内在声音。
方法改进
相比于传统的系统级模拟，微级模拟更加注重个体行为的模拟，因此具有更高的灵活性和逼真度。此外&#x