2024-06-16 17:33 湖北
2024智源大会Agent专题分论坛：
13:30-14:15 - 大模型驱动的群体智能
钱 忱 | 清华大学博士后
14:15-15:00 - AIOS:大模型智能体操作系统
张永锋 | 美国罗格斯大学计算机科学学院助理教授
15:00-15:45 - Finding the scaling law of agents
李国豪 | CAMEL-Al.org
15:45-16:30 - From Deep Reinforcement LearningLLM-based Agents: Perspectives onCurrent Research
Stefano V. Albrecht | 爱丁堡大学副教授
报告1：大模型驱动的群体智能
群体智能的实现依赖于多智能体系统的高效协作与交流。通过设计合理的组织结构和路由策略，智能体能够共享经验、进行跨任务学习，形成共同记忆和推理能力。这种智能体间的动态协作，不仅提高了解决问题的效率，还增强了系统的可扩展性。例如，ChatDev数字团队利用语言交互实现群体协作式软件开发，而MacNet通过有向无环图的拓扑结构部署智能体，构建起高效的多智能体协作网络。此外，相继式和积累式的经验积累，进一步优化了智能体的协同效率，推动了群体智能的持续演化和优化。
报告2：AIOS:大模型智能体操作系统
AIOS（Agent-based Intelligent Operating System）的智能操作系统架构，它由多个智能体（Agent）组成，每个智能体都具备特定的功能和应用场景。AIOS架构包括应用层、内核层和硬件层，支持与大型语言模型（LLM）相关的调用。系统能够处理上下文管理、记忆与存储管理，并具备多智能体交互机制。AIOS旨在通过自然语言和编程语言提供SDK，允许开发人员创建和集成各种智能体应用程序。此外，AIOS的设计理念借鉴了历史上的操作系统发展，如ARPANET和Windows 1.0，以及现代技术如ChatGPT和GPT-4V。整个系统强调了用户界面、任务调度、内存管理以及与外部工具和存储的交互，旨在通过智能体间的协作提供更复杂的服务和应用场景。
报告3：Finding the scaling law of agents
先从智能体（Agent）的历史以及一些概念入展开，然后引出作者的CAMEL项目工作介绍，最后提出了scaling law of agents，让大家一起探讨：
数据 -> 环境？
训练 -> 记忆/交互？
2024智源大会Agent专题论坛回放https://event.baai.ac.cn/live/788
推荐阅读
• 对齐LLM偏好的直接偏好优化方法：DPO、IPO、KTO
• RAG全景图：从RAG启蒙到高级RAG之36技，再到终章Agentic RAG！
• Agent到多模态Agent再到多模态Multi-Agents系统的发展与案例讲解（1.2万字，20+文献，27张图）
欢迎关注我的公众号“PaperAgent”，每天一篇大模型（LLM）文章来锻炼我们的思维，简单的例子，不简单的方法，提升自己。
