摘要

本文介绍了一种名为PEER的多代理框架，旨在解决特定领域应用中性能、成本和数据隐私的三重困境。PEER框架通过精确的问题分解、高级信息检索、综合总结和严格自我评估，系统化地处理特定领域任务。此外，研究还开发了利用在线数据和用户反馈进行有效模型调优的工业实践，以平衡成本、安全性和性能。实验表明，该方法在金融问答领域达到了GPT-4性能的95.0%，同时有效管理成本并确保数据隐私。

原理

PEER框架的核心在于其多代理合作机制，包括四个主要角色：Plan（计划）、Execute（执行）、Express（表达）和Review（审查）。每个代理专注于单一任务，共同完成整体目标。Plan代理负责从用户查询中生成多个相关子问题；Execute代理收集每个子问题的信息；Express代理综合收集的信息进行全面的大模型推理，形成最终结论；Review代理评估Express代理的答案是否符合预设标准，如果不符合，则提供修改建议并启动新一轮的PEER迭代。这种循环工作机制通过高效的任务分配、合作和反馈循环，确保答案不断改进，达到最优解决方案。

流程

PEER框架的工作流程从用户查询开始，经过四个代理的协同工作，最终生成高质量的答案。例如，用户查询“巴菲特为何出售比亚迪股票？”将触发Plan代理生成四个相关子问题，Execute代理收集相关信息，Express代理综合信息形成全面答案，Review代理评估并提出修改建议。如果答案不符合要求，Review代理将建议修改Plan、Execute或Express代理的流程，以更好地满足用户期望。对于简单任务，可以跳过部分代理以简化流程；对于复杂任务，可以使用嵌套模式，每个代理执行独立的PEER过程以增强整体性能。

应用

PEER框架在金融问答领域的成功应用表明，其在处理特定领域复杂任务方面具有巨大潜力。未来，该框架可扩展到其他领域，如法律、医疗等，解决更多特定领域的问题。此外，通过持续的模型调优和用户反馈机制，PEER框架能够不断进化，提高性能，降低成本，并增强数据隐私保护，为企业和个人用户提供更高效、安全的服务。