当前位置：首页 > news >正文

北京交通大学：LLM的agent推理框架综述

news 2025/9/3 6:56:30

在这里插入图片描述

📖标题：LLM-based Agentic Reasoning Frameworks: A Survey from Methods to Scenarios
🌐来源：arXiv, 2508.17692

🌟摘要

大型语言模型 (LLM) 的内在推理能力的最新进展催生了基于 LLM 的智能体系统，该系统在各种自动化任务上表现出接近人类的性能。然而，尽管这些系统在 LLM 的使用方面有相似之处，但代理系统的不同推理框架以不同的方式引导和组织推理过程。在本次调查中，我们提出了一个系统分类法，它分解代理推理框架，并通过比较不同场景的应用程序来分析这些框架如何主导框架级推理。具体来说，我们提出了一种统一的形式语言，将代理推理系统进一步分类为单代理方法、基于工具的方法和多智能体方法。之后，我们对它们在科学发现、医疗保健、软件工程、社会模拟和经济中的关键应用场景进行了全面审查。我们还分析了每个框架的特征特征，总结了不同的评估策略。我们的调查旨在为研究界提供一个全景视图，以促进对不同代理推理框架的优势、合适的场景和评估实践的理解。

🛎️文章简介

🔸研究问题：如何系统分类和分析基于大语言模型（LLM）的代理推理框架，以支持复杂的多步骤推理任务？
🔸主要贡献：论文提出统一的方法论分类体系，系统梳理了代理推理框架中的核心推理机制和方法，并深入分析其应用场景。

📝重点思路

🔸论文通过定义代理推理框架的边界，构建了三级的分类体系：单一代理、工具调用、和多代理。
🔸采用形式化语言描述推理过程，清晰展示不同方法对关键步骤的影响。
🔸深入调查了代理推理框架在科学研究、医疗、软件工程和社会经济模拟等关键场景中的应用，收集相关评估设置和数据集。
🔸通过案例研究，分析了不同操作和设计选择如何影响代理框架的推理性能。

🔎分析总结

🔸实验结果表明，代理框架在复杂任务中的多步骤推理能力相比于传统的单步推理方式有显著提升。
🔸在工具调用方面，论文强调了工具集成、选择和利用的三个基本阶段对于提升代理的推理能力的重要性。
🔸多代理方法展示了合作、竞争和谈判等不同交互方式在实现目标中的效果。
🔸研究还表明，将方法阵列的组合应用于不同场景中，可以显著扩大代理系统的能力边界。