Fale Estruturalmente, Aja Hierarquicamente: Um Framework Colaborativo para Sistemas Multiagentes de LLM

Talk Structurally, Act Hierarchically: A Collaborative Framework for LLM Multi-Agent Systems

February 16, 2025

Autores: Zhao Wang, Sota Moriyama, Wei-Yao Wang, Briti Gangopadhyay, Shingo Takamatsu

cs.AI

Resumo

Os avanços recentes em sistemas multiagente baseados em LLM (LLM-MA) têm mostrado potencial, mas desafios significativos permanecem no gerenciamento da comunicação e refinamento quando os agentes colaboram em tarefas complexas. Neste artigo, propomos o Talk Structurally, Act Hierarchically (TalkHier), um novo framework que introduz um protocolo de comunicação estruturada para trocas ricas em contexto e um sistema de refinamento hierárquico para abordar problemas como saídas incorretas, falsidades e vieses. O TalkHier supera diversos tipos de SoTA, incluindo modelos de escalonamento de inferência (OpenAI-o1), modelos multiagente de código aberto (por exemplo, AgentVerse) e estratégias de votação majoritária em baselines atuais de LLM e agente único (por exemplo, ReAct, GPT4o), em diversas tarefas, incluindo resposta a perguntas de domínio aberto, questionamento seletivo de domínio específico e geração prática de textos publicitários. Esses resultados destacam seu potencial para estabelecer um novo padrão para sistemas LLM-MA, abrindo caminho para frameworks multiagente mais eficazes, adaptáveis e colaborativos. O código está disponível em https://github.com/sony/talkhier.

English

Recent advancements in LLM-based multi-agent (LLM-MA) systems have shown promise, yet significant challenges remain in managing communication and refinement when agents collaborate on complex tasks. In this paper, we propose Talk Structurally, Act Hierarchically (TalkHier), a novel framework that introduces a structured communication protocol for context-rich exchanges and a hierarchical refinement system to address issues such as incorrect outputs, falsehoods, and biases. TalkHier surpasses various types of SoTA, including inference scaling model (OpenAI-o1), open-source multi-agent models (e.g., AgentVerse), and majority voting strategies on current LLM and single-agent baselines (e.g., ReAct, GPT4o), across diverse tasks, including open-domain question answering, domain-specific selective questioning, and practical advertisement text generation. These results highlight its potential to set a new standard for LLM-MA systems, paving the way for more effective, adaptable, and collaborative multi-agent frameworks. The code is available https://github.com/sony/talkhier.