Groot Taalmodel Agent: Een Overzicht van Methodologie, Toepassingen en Uitdagingen

Large Language Model Agent: A Survey on Methodology, Applications and Challenges

March 27, 2025

Auteurs: Junyu Luo, Weizhi Zhang, Ye Yuan, Yusheng Zhao, Junwei Yang, Yiyang Gu, Bohan Wu, Binqi Chen, Ziyue Qiao, Qingqing Long, Rongcheng Tu, Xiao Luo, Wei Ju, Zhiping Xiao, Yifan Wang, Meng Xiao, Chenwu Liu, Jingyang Yuan, Shichang Zhang, Yiqiao Jin, Fan Zhang, Xian Wu, Hanqing Zhao, Dacheng Tao, Philip S. Yu, Ming Zhang

cs.AI

Samenvatting

Het tijdperk van intelligente agents is aangebroken, aangedreven door revolutionaire vooruitgang in grote taalmodellen. Large Language Model (LLM) agents, met doelgericht gedrag en dynamische aanpassingsmogelijkheden, vertegenwoordigen mogelijk een cruciale weg naar kunstmatige algemene intelligentie. Dit onderzoek ontleedt LLM-agentensystemen systematisch aan de hand van een methodologiegerichte taxonomie, waarbij architectonische fundamenten, samenwerkingsmechanismen en evolutionaire trajecten met elkaar worden verbonden. We verenigen gefragmenteerde onderzoekslijnen door fundamentele verbanden te onthullen tussen ontwerpprincipes van agents en hun emergente gedrag in complexe omgevingen. Ons werk biedt een verenigd architectonisch perspectief, waarbij wordt onderzocht hoe agents worden geconstrueerd, hoe ze samenwerken en hoe ze zich in de loop van de tijd ontwikkelen, terwijl ook evaluatiemethodologieën, tooltoepassingen, praktische uitdagingen en diverse toepassingsdomeinen worden behandeld. Door de nieuwste ontwikkelingen in dit snel evoluerende veld te onderzoeken, bieden we onderzoekers een gestructureerde taxonomie voor het begrijpen van LLM-agents en identificeren we veelbelovende richtingen voor toekomstig onderzoek. De verzameling is beschikbaar op https://github.com/luo-junyu/Awesome-Agent-Papers.

English

The era of intelligent agents is upon us, driven by revolutionary advancements in large language models. Large Language Model (LLM) agents, with goal-driven behaviors and dynamic adaptation capabilities, potentially represent a critical pathway toward artificial general intelligence. This survey systematically deconstructs LLM agent systems through a methodology-centered taxonomy, linking architectural foundations, collaboration mechanisms, and evolutionary pathways. We unify fragmented research threads by revealing fundamental connections between agent design principles and their emergent behaviors in complex environments. Our work provides a unified architectural perspective, examining how agents are constructed, how they collaborate, and how they evolve over time, while also addressing evaluation methodologies, tool applications, practical challenges, and diverse application domains. By surveying the latest developments in this rapidly evolving field, we offer researchers a structured taxonomy for understanding LLM agents and identify promising directions for future research. The collection is available at https://github.com/luo-junyu/Awesome-Agent-Papers.