摘要

本文介绍了一种名为Sibyl的简单而有效的基于大型语言模型（LLM）的代理框架，旨在解决复杂现实世界推理任务中的不足。Sibyl通过集成LLM的固有知识、强大的上下文学习和零样本能力，以及精心设计的LLM调用工作流程，有效提升了长期推理能力。该框架通过引入全局工作空间和多代理辩论式陪审团，增强了知识管理和对话历史的共享，确保了全面和平衡的推理方法。Sibyl的设计注重可扩展性和调试便利性，旨在无缝集成到其他LLM应用中，提升其能力。实验结果显示，Sibyl在GAIA基准测试集上达到了最先进的性能，展示了其在复杂推理任务中的高效能力。

原理

Sibyl框架的核心在于其模块化和简单的设计理念，通过减少系统复杂性同时增强LLM代理的功能能力。该框架包括四个主要模块：工具规划器、外部信息获取通道、基于多代理辩论的陪审团和全局工作空间。具体来说，外部信息获取通道负责接收和处理来自选定工具的外部信息，并通过对话状态的概念进行有效压缩。全局工作空间则借鉴了全局工作空间理论，促进模块间的信息共享。多代理辩论式陪审团则基于心灵社会理论，通过多个代理的讨论和分析，实现自我修正。这些设计不仅简化了系统结构，还提高了LLM代理的推理能力，使其能够从快速直观的系统1思维转变为缓慢深思的系统2思维。

流程

Sibyl的工作流程从用户查询开始，通过工具规划器选择适当的工具、函数和参数来处理每个子任务。然后，外部信息获取通道调用这些工具并选择性地压缩工具执行返回的外部信息。接下来，基于多代理辩论的陪审团进行自我修正，最后通过全局工作空间共享信息并协作所有模块。例如，在处理一个复杂问题时，Sibyl首先通过工具规划器确定需要哪些工具，然后通过外部信息获取通道收集相关信息，再通过陪审团进行分析和修正，最终在全局工作空间中整合所有信息，生成最终答案。

应用

Sibyl框架的应用前景广泛，特别适用于需要复杂推理和长期记忆的任务，如高级数据分析、专业咨询服务和复杂决策支持系统。其高效的推理能力和模块化设计使其能够轻松集成到各种LLM应用中，提升整体性能。随着技术的进一步发展和优化，Sibyl有望在更多领域发挥其潜力，推动LLM代理技术的发展。