LLM-Agent-UMF: LLM-gebaseerd Agent Unified Modeling Framework voor naadloze integratie van Multi Actieve/Passieve Kernagenten

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

Samenvatting

De integratie van tools in op LLM gebaseerde agenten heeft de moeilijkheden van op zichzelf staande LLM's en de beperkte mogelijkheden van traditionele agenten overwonnen. Echter, de combinatie van deze technologieën en de voorgestelde verbeteringen in verschillende state-of-the-art werken volgde een niet-geünificeerde softwarearchitectuur, resulterend in een gebrek aan modulariteit. Ze richtten zich voornamelijk op functionaliteiten en negeerden de definitie van de componentgrenzen binnen de agent. Dit veroorzaakte terminologische en architecturale ambiguïteiten tussen onderzoekers die we in dit artikel hebben aangepakt door een verenigd kader voor te stellen dat een duidelijke basis legt voor de ontwikkeling van op LLM gebaseerde agenten vanuit zowel functioneel als software-architecturaal perspectief. Ons kader, LLM-Agent-UMF (LLM-gebaseerd Agent Unified Modeling Framework), maakt een duidelijk onderscheid tussen de verschillende componenten van een agent, waarbij LLM's en tools worden gescheiden van een nieuw geïntroduceerd element: de kernagent, die de rol van de centrale coördinator van de agent speelt en bestaat uit vijf modules: planning, geheugen, profiel, actie en beveiliging, waarbij de laatste vaak verwaarloosd werd in eerdere werken. Verschillen in de interne structuur van kernagenten leidden ertoe dat we ze classificeerden in een taxonomie van passieve en actieve types. Op basis hiervan hebben we verschillende multi-core agent-architecturen voorgesteld die unieke kenmerken van verschillende individuele agenten combineren. Voor evaluatiedoeleinden hebben we dit kader toegepast op een selectie van state-of-the-art agenten, waarbij we de afstemming met hun functionaliteiten hebben aangetoond en de over het hoofd geziene architecturale aspecten hebben verduidelijkt. Bovendien hebben we vier van onze voorgestelde architecturen grondig beoordeeld door onderscheidende agenten te integreren in hybride actieve/passieve kernagentsystemen. Deze analyse heeft duidelijke inzichten gegeven in mogelijke verbeteringen en benadrukte de uitdagingen die gepaard gaan met de combinatie van specifieke agenten.

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.