本博客内容摘自2024年3月会议综述文章A survey on large language model based autonomous agents，感兴趣的可以自行阅读。

因为本文章开源，因此不存在侵权问题，但是还是很感谢作者的分享。

本博客整理翻译了现有的LLM agent的应用，具体的工具请参考原文，这里的例子指一个论文工作。

开始编辑时间2024/4/2，最后编辑时间2024/4/2

1 社会科学

社会科学是科学的一个分支，致力于研究社会及其中个体之间的关系。基于LLM的自主agent可以通过利用其令人印象深刻的人类般理解、思考和任务解决能力来促进这一领域。在下文中，我们将讨论几个受LLM自主agent影响的关键领域。

心理学：

对于心理学领域，基于LLM的智能agent可以用于进行模拟实验，提供心理健康支持等。

例子一：作者为不同类型的语言模型（LLM）分配了不同的配置文件，并让它们完成心理学实验。从结果中，作者发现LLM能够生成与涉及人类参与者的研究结果一致的结果。此外，观察到较大的模型通常比其较小的对应物提供更准确的模拟结果。一个有趣的发现是，在许多实验中，像ChatGPT和GPT-4这样的模型可能会提供过于完美的估计（称为“超准确度扭曲”），这可能会影响下游应用。

例子二：作者系统地分析了基于LLM的会话agent对心理健康支持的有效性。他们从Reddit收集了120个帖子，并发现这些agent可以在需要时帮助用户应对焦虑、社交孤立和抑郁。同时，他们也发现这些agent有时可能会产生有害内容。

政治学与经济学

例子一：基于LLM的agent被用于意识形态检测和预测投票模式。

例子二：作者专注于通过基于LLM的agent来理解政治演讲的话语结构和说服要素。

例子三：基于LLM的agent被赋予特定的特征，如才能、偏好和个性，以探索模拟情境中的人类经济行为。

社会模拟

以前，对人类社会进行实验通常既昂贵又不道德，甚至可能不可行。随着LLM的不断发展，许多人开始探索利用基于LLM的agent构建虚拟环境，模拟社会现象，比如有害信息的传播等。

例子一：模拟在线社交社区，并探讨利用基于agent的模拟来帮助决策者改进社区规则的潜力。

例子二：研究了基于LLM的agent在社交网络中不同行为特征的潜在影响。

例子三：构建了一个虚拟城镇中的多个agent，模拟人类日常生活。

例子四：使用基于LLM的agent模拟并研究了儿童发展过程中的基本社交认知技能。

例子五：构建了一个社交网络模拟器，重点关注信息、情绪和态度的传播。

例子六：构建一个多agent模拟框架，通过树结构保持agent的个性，并构建认知模型。作者模拟了一个课堂场景。

法学

基于LLM的agent可以作为辅助工具，在法律决策过程中发挥作用，促进更加明智的判断。

例子一：利用多个语言模型模拟多个法官的决策过程。它收集多样化的意见，并通过投票机制整合结果。

例子二：提出一个基于LLM的著名中文法律模型，它巧妙地支持数据库和关键词搜索策略，专门设计来减轻这类模型中普遍存在的幻觉问题。此外，该模型还利用自注意力机制来增强LLM的能力，通过减轻引用不准确性的影响。

科研助理

基于LLM的智能agent提供多方面的帮助，范围从生成简明的文章摘要和提取关键词到为研究制定详细的脚本，展示了它们丰富和优化研究过程的能力。

例子一：基于LLM的agent作为写作助手，展示了它们识别社会科学家新颖研究问题的能力，从而为该领域的探索和创新打开了新的道路。这些例子突显了基于LLM的智能agent在提升社会科学研究效率、创造力和广度方面的潜力。

2 自然科学

文档和数据管理

例子一：中的agent能够高效地查询和利用互联网信息来完成任务，如问答和实验规划。

例子二：利用LLM从人类编写的文本描述中提取重要信息。然后，它制定计划应用相关工具来预测金属有机骨架的属性和结构。

例子三：利用与化学相关的数据库来验证化合物表示的精确性，并识别潜在的危险物质。这种功能增强了科学查询的可靠性和全面性，通过确保所涉数据的准确性。

实验助理

基于LLM的agent具有独立进行实验的能力，使它们成为支持科学家在研究项目中的有价值工具

例子一：引入了一种创新的agent系统，利用LLM来自动化科学实验的设计、规划和执行。该系统在接收到实验目标作为输入后，访问互联网并检索相关文档以收集必要的信息。随后，它利用Python代码进行必要的计算并执行后续实验。

例子二：包含了17个精心设计的工具，专门为化学研究人员提供帮助。一旦接收到输入目标，将为实验程序提供有价值的建议，同时强调任何潜在的安全风险与所提议的实验相关联。

自然科学教育

基于LLM的agent可以与人类流利地交流，通常被用于开发基于agent的教育工具。

例子一：开发了基于agent的教育系统，以促进学生对实验设计、方法论和分析的学习。这些系统的目标是提高学生的批判性思维和问题解决能力，同时培养对科学原理的更深层次理解。

例子二：可以帮助研究人员探索、发现、解决和证明数学问题。此外，它还可以与人类交流，帮助他们理解和应用数学。

例子三：利用CodeX的能力自动解决和解释大学级数学问题，这可以作为教育工具用于教学和研究。

例子四：是一个用于编程的教育agent。它提供了许多有用的功能，如设置课程特定的关键词、监控学生查询并向系统提供反馈。

例子五：是一个专门设计用于教育领域的基于LLM的agent。它通过对话为教师、学生和家长提供个性化、公平和富有同理心的教育支持。

例子五：是一个agent，利用LLM自动评估学生对开放性问题的回答并提供反馈。

3 工程

基于LLM的自主agent在协助和增强工程研究和应用方面展示了巨大潜力。

土木工程

在土木工程中，基于LLM的agent可以用于设计和优化复杂的结构，如建筑物、桥梁、水坝和道路。

例子一：提出了一个交互式框架，在这个框架中，人类建筑师和agent共同在3D模拟环境中协作构建结构。交互式agent能够理解自然语言指令，放置方块，检测混乱，寻求澄清，并吸收人类反馈，展示了在工程设计中人工智能与人类合作的潜力。

计算机科学与软件工程

在计算机科学和软件工程领域，基于LLM的agent具有自动化编码、测试、调试和文档生成的潜力。

例子一：提出了一个端到端的框架，在这个框架中，多个agent角色通过自然语言对话进行沟通和协作，完成软件开发生命周期。这个框架展示了高效和成本效益的可执行软件系统生成。

例子二：可用于任务，如代码自动补全和代码推荐。

例子三：抽象了多个角色，如产品经理、架构师、项目经理和工程师，监督代码生成过程并提高最终输出代码的质量。这实现了低成本的软件开发。

例子四：提出了一个自我协作框架，用于使用LLM进行代码生成。在这个框架中，多个LLM被假设为特定子任务的不同“专家”。它们根据指定的指令进行协作和交互，形成一个虚拟团队，促进彼此的工作。最终，虚拟团队无需人类干预就能共同解决代码生成任务。

例子五：使用LLM来辅助进行静态分析，特别是用于识别潜在的代码漏洞。这种方法有效地管理了准确性和可扩展性之间的权衡。

例子六：是为了电子设计自动化（EDA）而开发的agent，通过集成任务规划、脚本生成和执行来简化设计过程。

例子七：是一个旨在帮助学生和开发人员调试和测试其代码的agent。其功能包括提供错误消息的详细解释、建议潜在的修复方法，并确保代码的准确性。

例子八：是基于LLM的渗透测试工具，可以有效地识别常见漏洞，并解释源代码以开发攻击。

例子九：利用LLM的能力系统地评估数据库中异常的潜在根本原因。通过实施一种思维树方法，使LLM能够在当前步骤不成功的情况下回溯到以前的步骤，从而提高了诊断过程的准确性。

工业自动化

在工业自动化领域，基于大型语言模型（LLM）的agent可以用于实现生产过程的智能规划和控制。

例子一：提出了一个新颖的框架，将大型语言模型（LLM）与数字孪生系统集成，以适应灵活的生产需求。该框架利用提示工程技术创建LLMagent，根据数字孪生系统提供的信息适应特定任务。这些agent可以协调一系列原子功能和技能，在自动化金字塔中不同层次上完成生产任务。这项研究展示了将LLM整合到工业自动化系统中的潜力，为更灵活、灵活和适应性强的生产过程提供了创新解决方案。

例子二：展示了LLM在石油和天然气行业中的作用案例研究，涵盖了岩石物理学、声学反射计和卷管控制等应用。

机器人与嵌入式人工智能：

最近的研究工作开发了更高效的强化学习agent，用于机器人学和嵌入式人工智能。重点是增强自主agent在嵌入式环境中的规划、推理和协作能力。

例子一：提出了一个统一的嵌入式推理和任务规划agent系统。在这个系统中，作者设计了高级命令以实现改进的规划，并提出了低级控制器来将命令转化为动作。

例子二：人们可以利用对话来收集信息，加速优化过程。

例子三：利用自主agent进行嵌入式决策和探索。为了克服物理约束，agent可以生成可执行计划，并通过利用多种技能来完成长期任务。

例子四：专注于研究利用移动操作机器人进行广泛的操作和导航技能。从厨房环境中遇到的典型任务中获得灵感，它提出了一个涵盖七个技能家族和17个物体的综合性技能集，共551种技能。这些技能包括各种动作，如拾取、放置、倒入、抓取和操纵物体等。

例子五：是一个嵌入式Agent，旨在个性化家庭清洁任务。它可以通过文本示例学习用户对物体放置和操作方法的偏好。