LLM-Agent-UMF: Estrutura Unificada de Modelagem de Agentes Baseada em LLM para Integração Perfeita de Agentes Núcleo Ativos/Passivos Múltiplos

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

September 17, 2024

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

cs.AI

Resumo

A integração de ferramentas em agentes baseados em LLM superou as dificuldades dos LLMs autônomos e das capacidades limitadas de agentes tradicionais. No entanto, a combinação dessas tecnologias e as melhorias propostas em diversos trabalhos de ponta seguiram uma arquitetura de software não unificada resultando em uma falta de modularidade. De fato, eles se concentraram principalmente em funcionalidades e negligenciaram a definição dos limites dos componentes dentro do agente. Isso causou ambiguidades terminológicas e arquiteturais entre os pesquisadores, as quais abordamos neste artigo propondo um framework unificado que estabelece uma base clara para o desenvolvimento de agentes baseados em LLM, tanto do ponto de vista funcional quanto arquitetônico de software. Nosso framework, LLM-Agent-UMF (LLM-based Agent Unified Modeling Framework), distingue claramente entre os diferentes componentes de um agente, separando LLMs e ferramentas de um elemento recém-introduzido: o núcleo do agente, desempenhando o papel de coordenador central do agente que compreende cinco módulos: planejamento, memória, perfil, ação e segurança, este último frequentemente negligenciado em trabalhos anteriores. Diferenças na estrutura interna dos núcleos dos agentes nos levaram a classificá-los em uma taxonomia de tipos passivos e ativos. Com base nisso, propusemos diferentes arquiteturas de agentes multi-núcleo combinando características únicas de vários agentes individuais. Para fins de avaliação, aplicamos este framework a uma seleção de agentes de ponta, demonstrando assim sua alinhamento com suas funcionalidades e esclarecendo os aspectos arquiteturais negligenciados. Além disso, avaliamos minuciosamente quatro de nossas arquiteturas propostas integrando agentes distintos em sistemas híbridos de núcleos de agentes ativos/passivos. Essa análise forneceu insights claros sobre melhorias potenciais e destacou os desafios envolvidos na combinação de agentes específicos.

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.