Hablar Estructuralmente, Actuar Jerárquicamente: Un Marco Colaborativo para Sistemas Multiagente LLM

Talk Structurally, Act Hierarchically: A Collaborative Framework for LLM Multi-Agent Systems

February 16, 2025

Autores: Zhao Wang, Sota Moriyama, Wei-Yao Wang, Briti Gangopadhyay, Shingo Takamatsu

cs.AI

Resumen

Los avances recientes en sistemas basados en LLM para múltiples agentes (LLM-MA) han demostrado promesa, sin embargo, aún existen desafíos significativos en la gestión de la comunicación y el perfeccionamiento cuando los agentes colaboran en tareas complejas. En este artículo, proponemos Talk Estructuralmente, Actúa Jerárquicamente (TalkHier), un marco novedoso que introduce un protocolo de comunicación estructurado para intercambios ricos en contexto y un sistema jerárquico de perfeccionamiento para abordar problemas como salidas incorrectas, falsedades y sesgos. TalkHier supera varios tipos de SoTA, incluido el modelo de escalado de inferencia (OpenAI-o1), modelos de múltiples agentes de código abierto (por ejemplo, AgentVerse) y estrategias de votación mayoritaria en modelos LLM actuales y baselines de un solo agente (por ejemplo, ReAct, GPT4o), en diversas tareas, incluyendo respuestas a preguntas de dominio abierto, cuestionamiento selectivo específico del dominio y generación de texto publicitario práctico. Estos resultados resaltan su potencial para establecer un nuevo estándar para sistemas LLM-MA, allanando el camino para marcos de múltiples agentes más efectivos, adaptables y colaborativos. El código está disponible en https://github.com/sony/talkhier.

English

Recent advancements in LLM-based multi-agent (LLM-MA) systems have shown promise, yet significant challenges remain in managing communication and refinement when agents collaborate on complex tasks. In this paper, we propose Talk Structurally, Act Hierarchically (TalkHier), a novel framework that introduces a structured communication protocol for context-rich exchanges and a hierarchical refinement system to address issues such as incorrect outputs, falsehoods, and biases. TalkHier surpasses various types of SoTA, including inference scaling model (OpenAI-o1), open-source multi-agent models (e.g., AgentVerse), and majority voting strategies on current LLM and single-agent baselines (e.g., ReAct, GPT4o), across diverse tasks, including open-domain question answering, domain-specific selective questioning, and practical advertisement text generation. These results highlight its potential to set a new standard for LLM-MA systems, paving the way for more effective, adaptable, and collaborative multi-agent frameworks. The code is available https://github.com/sony/talkhier.