LLM-Agent-UMF: LLM-basiertes Agenten vereinheitlichtes Modellierungsframework zur nahtlosen Integration von Multi-Aktiv-/Passivkernagenten

LLM-Agent-UMF: LLM-based Agent Unified Modeling Framework for Seamless Integration of Multi Active/Passive Core-Agents

September 17, 2024

Autoren: Amine B. Hassouna, Hana Chaari, Ines Belhaj

cs.AI

Zusammenfassung

Die Integration von Tools in LLM-basierte Agenten hat die Schwierigkeiten eigenständiger LLMs und die begrenzten Fähigkeiten traditioneller Agenten überwunden. Allerdings führte die Verknüpfung dieser Technologien und die vorgeschlagenen Verbesserungen in mehreren hochmodernen Arbeiten zu einer nicht vereinheitlichten Softwarearchitektur, die zu einem Mangel an Modularität führte. Tatsächlich konzentrierten sie sich hauptsächlich auf Funktionalitäten und vernachlässigten die Definition der Komponentengrenzen innerhalb des Agenten. Dies führte zu terminologischen und architektonischen Unklarheiten zwischen den Forschern, die wir in diesem Papier behoben haben, indem wir einen einheitlichen Rahmen vorschlagen, der eine klare Grundlage für die Entwicklung von LLM-basierten Agenten aus funktionalen und softwarearchitektonischen Perspektiven schafft. Unser Rahmen, LLM-Agent-UMF (LLM-basiertes Agentenvereinheitlichungsmodell), unterscheidet klar zwischen den verschiedenen Komponenten eines Agenten, indem er LLMs und Tools von einem neu eingeführten Element trennt: dem Kern-Agenten, der die Rolle des zentralen Koordinators des Agenten spielt und aus fünf Modulen besteht: Planung, Gedächtnis, Profil, Aktion und Sicherheit, wobei letztere in früheren Arbeiten oft vernachlässigt wurde. Unterschiede in der internen Struktur der Kern-Agenten führten uns dazu, sie in eine Taxonomie passiver und aktiver Typen einzuteilen. Basierend darauf schlugen wir verschiedene Multi-Core-Agentenarchitekturen vor, die einzigartige Merkmale verschiedener einzelner Agenten kombinieren. Zu Evaluierungszwecken haben wir diesen Rahmen auf eine Auswahl hochmoderner Agenten angewendet, um seine Übereinstimmung mit ihren Funktionalitäten zu demonstrieren und die übersehenen architektonischen Aspekte zu klären. Darüber hinaus haben wir vier unserer vorgeschlagenen Architekturen eingehend bewertet, indem wir unterschiedliche Agenten in Hybrid-Systeme aus aktiven/passiven Kern-Agenten integriert haben. Diese Analyse lieferte klare Einblicke in potenzielle Verbesserungen und betonte die Herausforderungen, die mit der Kombination spezifischer Agenten verbunden sind.

English

The integration of tools in LLM-based agents overcame the difficulties of standalone LLMs and traditional agents' limited capabilities. However, the conjunction of these technologies and the proposed enhancements in several state-of-the-art works followed a non-unified software architecture resulting in a lack of modularity. Indeed, they focused mainly on functionalities and overlooked the definition of the component's boundaries within the agent. This caused terminological and architectural ambiguities between researchers which we addressed in this paper by proposing a unified framework that establishes a clear foundation for LLM-based agents' development from both functional and software architectural perspectives. Our framework, LLM-Agent-UMF (LLM-based Agent Unified Modeling Framework), clearly distinguishes between the different components of an agent, setting LLMs, and tools apart from a newly introduced element: the core-agent, playing the role of the central coordinator of the agent which comprises five modules: planning, memory, profile, action, and security, the latter often neglected in previous works. Differences in the internal structure of core-agents led us to classify them into a taxonomy of passive and active types. Based on this, we proposed different multi-core agent architectures combining unique characteristics of various individual agents. For evaluation purposes, we applied this framework to a selection of state-of-the-art agents, thereby demonstrating its alignment with their functionalities and clarifying the overlooked architectural aspects. Moreover, we thoroughly assessed four of our proposed architectures by integrating distinctive agents into hybrid active/passive core-agents' systems. This analysis provided clear insights into potential improvements and highlighted the challenges involved in the combination of specific agents.