大規模言語モデルにおける認知的シナジーの解放：マルチペルソナ自己協調によるタスク解決エージェント

Unleashing Cognitive Synergy in Large Language Models: A Task-Solving Agent through Multi-Persona Self-Collaboration

July 11, 2023

著者: Zhenhailong Wang, Shaoguang Mao, Wenshan Wu, Tao Ge, Furu Wei, Heng Ji

cs.AI

要旨

人間の知性は、認知シナジーの概念によって発展してきました。これは、異なる認知プロセス間の協力と情報統合が、個別の認知プロセスの単独での成果よりも優れた結果をもたらすというものです。大規模言語モデル（LLM）は、汎用的なタスク解決エージェントとして有望な性能を示していますが、専門知識や複雑な推論を必要とするタスクでは依然として苦戦しています。本研究では、Solo Performance Prompting（SPP）を提案します。SPPは、単一のLLMを認知シナジストに変えることで、複数のペルソナとの多段階自己協力を実現します。認知シナジストとは、複数のマインドと協力し、それぞれの強みと知識を組み合わせることで、複雑なタスクにおける問題解決と全体的なパフォーマンスを向上させるインテリジェントエージェントを指します。タスク入力に基づいて異なるペルソナを動的に特定しシミュレートすることで、SPPはLLMにおける認知シナジーの可能性を引き出します。我々は、単一または固定数のペルソナを使用する場合と比較して、LLMに複数の細分化されたペルソナを割り当てることで、より優れた問題解決能力が引き出されることを発見しました。SPPを、知識集約型と推論集約型の両方を含む3つの挑戦的なタスク（Trivia Creative Writing、Codenames Collaborative、Logic Grid Puzzle）で評価しました。Chain-of-Thoughtなどの従来の研究がLLMの推論能力のみを強化するのに対し、SPPは内部知識獲得能力を効果的に引き出し、幻覚を減少させ、強力な推論能力を維持します。コード、データ、およびプロンプトは以下で公開しています： https://github.com/MikeWangWZHL/Solo-Performance-Prompting.git。

English

Human intelligence thrives on the concept of cognitive synergy, where collaboration and information integration among different cognitive processes yield superior outcomes compared to individual cognitive processes in isolation. Although Large Language Models (LLMs) have demonstrated promising performance as general task-solving agents, they still struggle with tasks that require intensive domain knowledge and complex reasoning. In this work, we propose Solo Performance Prompting (SPP), which transforms a single LLM into a cognitive synergist by engaging in multi-turn self-collaboration with multiple personas. A cognitive synergist refers to an intelligent agent that collaborates with multiple minds, combining their individual strengths and knowledge, to enhance problem-solving and overall performance in complex tasks. By dynamically identifying and simulating different personas based on task inputs, SPP unleashes the potential of cognitive synergy in LLMs. We have discovered that assigning multiple, fine-grained personas in LLMs elicits better problem-solving abilities compared to using a single or fixed number of personas. We evaluate SPP on three challenging tasks: Trivia Creative Writing, Codenames Collaborative, and Logic Grid Puzzle, encompassing both knowledge-intensive and reasoning-intensive types. Unlike previous works, such as Chain-of-Thought, that solely enhance the reasoning abilities in LLMs, SPP effectively elicits internal knowledge acquisition abilities, reduces hallucination, and maintains strong reasoning capabilities. Code, data, and prompts can be found at: https://github.com/MikeWangWZHL/Solo-Performance-Prompting.git.