LLM-Agent-UMF : Cadre de modélisation unifié d'agent basé sur LLM pour l'intégration transparente des agents de base actifs/passifs multiples.

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

September 17, 2024

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

cs.AI

Résumé

L'intégration d'outils dans les agents basés sur LLM a surmonté les difficultés des LLM autonomes et des capacités limitées des agents traditionnels. Cependant, la conjonction de ces technologies et les améliorations proposées dans plusieurs travaux de pointe ont suivi une architecture logicielle non unifiée, entraînant un manque de modularité. En effet, ils se sont principalement concentrés sur les fonctionnalités et ont négligé la définition des limites des composants au sein de l'agent. Cela a provoqué des ambiguïtés terminologiques et architecturales entre les chercheurs, que nous avons abordées dans cet article en proposant un cadre unifié qui établit des bases claires pour le développement des agents basés sur LLM, tant d'un point de vue fonctionnel que logiciel. Notre cadre, LLM-Agent-UMF (Cadre de Modélisation Unifié pour les Agents basés sur LLM), distingue clairement les différents composants d'un agent, en séparant les LLM et les outils d'un nouvel élément introduit : le noyau de l'agent, jouant le rôle de coordinateur central de l'agent qui comprend cinq modules : planification, mémoire, profil, action et sécurité, cette dernière étant souvent négligée dans les travaux précédents. Les différences dans la structure interne des noyaux d'agents nous ont amenés à les classer dans une taxonomie de types passifs et actifs. Sur cette base, nous avons proposé différentes architectures d'agents multi-noyaux combinant des caractéristiques uniques de divers agents individuels. À des fins d'évaluation, nous avons appliqué ce cadre à une sélection d'agents de pointe, démontrant ainsi son alignement avec leurs fonctionnalités et clarifiant les aspects architecturaux négligés. De plus, nous avons évalué en profondeur quatre de nos architectures proposées en intégrant des agents distincts dans des systèmes d'agents hybrides actifs/passifs. Cette analyse a fourni des aperçus clairs sur les améliorations potentielles et a mis en lumière les défis liés à la combinaison d'agents spécifiques.

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.