Challenges Faced by Large Language Models in Solving Multi-Agent Flocking

本篇文章属于LLM系列论述，主要涉及对《大型语言模型在解决多智能体群体行为问题中所面临挑战》这一文献的译介工作。

大型语言模型在解决多智能体集群问题中面临的挑战

• 摘要
  • 1 引言
  • 2 相关研究
  • 3 大型语言模型在多智能体群体中的应用
  • 4 故障分析
  • 5 结论与后续研究方向

摘要

群集行为指的是系统中多个代理个体在保持彼此邻近的同时，避免发生碰撞并维持特定队形的一种现象。这种行为在自然界中被广泛观察到，并在机器人技术领域得到了实际应用，例如自然灾害中的搜救行动、野生动物的追踪以及周边区域的监控与巡逻任务。近期，大型语言模型（LLM）作为独立决策单元，在应对多种协作任务方面展现出卓越的能力。借助LLM处理多代理群集问题，能够验证其在涉及空间分布与分散决策场景中的适用性。然而，在LLM驱动的代理执行多代理群集任务时，其表现并未达到预期效果。通过大量实验测试发现，以LLM作为决策者的代理往往倾向于聚集于初始位置的平均点或彼此远离。经过问题分解后发现，LLM难以准确理解如何以具有实际意义的方式维持队形结构或控制个体间距离。借助LLM解决多智能体群集问题不仅有助于提升其对协作空间推理的理解能力，还为后续更复杂的多智能体任务提供理论基础与实践支持。本文分析了LLM在多智能体集群应用过程中所面临的困难，并探讨了未来可能的发展方向与研究