LLM-Agent-UMF: Framework Unificato di Modellazione degli Agenti basato su LLM per l'Integrazione Continua di Multi Agenti Core Attivi/Passivi.

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

September 17, 2024

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

cs.AI

Abstract

L'integrazione di strumenti negli agenti basati su LLM ha superato le difficoltà dei LLM autonomi e delle limitate capacità degli agenti tradizionali. Tuttavia, la combinazione di queste tecnologie e le migliorie proposte in diversi lavori all'avanguardia hanno seguito un'architettura software non unificata che ha portato a una mancanza di modularità. Infatti, si sono concentrati principalmente sulle funzionalità trascurando la definizione dei confini dei componenti all'interno dell'agente. Ciò ha causato ambiguità terminologiche e architettoniche tra i ricercatori, che abbiamo affrontato in questo articolo proponendo un framework unificato che stabilisce una base chiara per lo sviluppo degli agenti basati su LLM sia dal punto di vista funzionale che architetturale del software. Il nostro framework, LLM-Agent-UMF (LLM-based Agent Unified Modeling Framework), distingue chiaramente tra i diversi componenti di un agente, separando LLM e strumenti da un elemento di recente introduzione: il core-agente, che svolge il ruolo di coordinatore centrale dell'agente e comprende cinque moduli: pianificazione, memoria, profilo, azione e sicurezza, quest'ultima spesso trascurata nei lavori precedenti. Le differenze nella struttura interna dei core-agenti ci hanno portato a classificarli in una tassonomia di tipi passivi e attivi. Sulla base di ciò, abbiamo proposto diverse architetture di agenti multi-core che combinano le caratteristiche uniche di vari agenti individuali. A fini valutativi, abbiamo applicato questo framework a una selezione di agenti all'avanguardia, dimostrando così la sua coerenza con le loro funzionalità e chiarendo gli aspetti architettonici trascurati. Inoltre, abbiamo valutato approfonditamente quattro delle nostre architetture proposte integrando agenti distinti nei sistemi di core-agenti ibridi attivi/passivi. Questa analisi ha fornito chiari spunti per possibili miglioramenti e ha evidenziato le sfide legate alla combinazione di agenti specifici.

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.