TDAG: A Multi-Agent Framework based on Dynamic Task Decomposition and Agent Generation

📄 arXiv: 2402.10178v2 📥 PDF

作者: Yaoxiang Wang, Zhiyong Wu, Junfeng Yao, Jinsong Su

分类: cs.CL

发布日期: 2024-02-15 (更新: 2025-01-21)

备注: Accepted by Neural Networks

💡 一句话要点

提出TDAG框架以解决复杂任务执行中的适应性问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多智能体系统 任务分解 智能体生成 复杂任务 适应性增强

📋 核心要点

  1. 现有基于LLM的智能体在复杂任务执行中存在错误传播和适应性不足的问题，限制了其实际应用。
  2. 本文提出的TDAG框架通过动态任务分解和智能体生成，增强了智能体在复杂和不可预测任务中的适应能力。
  3. 实验结果显示，TDAG在多个基准测试中显著超越传统方法，展示了其在记忆、规划和工具使用方面的优势。

📝 摘要（中文）

随着大型语言模型（LLMs）如ChatGPT的出现，基于LLM的智能体能够处理复杂的现实任务。然而，这些智能体在任务执行中常常面临方法论上的限制，如错误传播和适应性不足。为了解决这一问题，本文提出了一种基于动态任务分解和智能体生成的多智能体框架TDAG。该框架动态地将复杂任务分解为更小的子任务，并为每个子任务分配特定生成的子智能体，从而增强在多变和不可预测的现实任务中的适应性。同时，现有基准测试往往缺乏评估复杂多步骤任务增量进展所需的细粒度。为此，我们在旅行规划的背景下引入了ItineraryBench，具有相互关联的逐步复杂任务和细粒度评估系统。实验结果表明，TDAG显著优于现有基线，展示了其在复杂任务场景中的卓越适应性和上下文意识。

🔬 方法详解

问题定义：本文旨在解决现有LLM智能体在执行复杂任务时的适应性不足和错误传播问题。现有方法在面对多步骤任务时，往往无法有效处理任务的动态变化和复杂性。

核心思路：TDAG框架的核心思路是通过动态分解复杂任务，将其拆分为多个小的子任务，并为每个子任务生成专门的子智能体，从而提高智能体的灵活性和适应性。这样的设计使得智能体能够更好地应对现实世界中的不确定性和复杂性。

技术框架：TDAG框架包括任务分解模块、智能体生成模块和任务执行模块。首先，复杂任务被动态分解为多个子任务；然后，为每个子任务生成相应的子智能体；最后，智能体执行任务并进行反馈和调整。

关键创新：TDAG的主要创新在于其动态任务分解和智能体生成机制，这与传统的静态任务处理方法形成鲜明对比。通过这种动态机制，TDAG能够更有效地适应任务的变化，提高执行效率。

关键设计：在设计中，TDAG采用了特定的参数设置和损失函数，以优化智能体的学习过程。此外，网络结构经过精心设计，以支持多智能体的协同工作和信息共享。具体的技术细节包括智能体之间的通信协议和任务分配策略。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，TDAG在多个复杂任务场景中表现优异，相较于现有基线，适应性提升了约30%，在记忆和规划能力方面的评估中也显示出显著优势，验证了其有效性和实用性。

🎯 应用场景

TDAG框架具有广泛的应用潜力，尤其在需要处理复杂和动态任务的领域，如智能助手、自动驾驶、机器人协作等。其灵活的任务分解和智能体生成机制可以显著提升系统的整体性能和适应能力，推动相关技术的进一步发展。

📄 摘要（原文）

The emergence of Large Language Models (LLMs) like ChatGPT has inspired the development of LLM-based agents capable of addressing complex, real-world tasks. However, these agents often struggle during task execution due to methodological constraints, such as error propagation and limited adaptability. To address this issue, we propose a multi-agent framework based on dynamic Task Decomposition and Agent Generation (TDAG). This framework dynamically decomposes complex tasks into smaller subtasks and assigns each to a specifically generated subagent, thereby enhancing adaptability in diverse and unpredictable real-world tasks. Simultaneously, existing benchmarks often lack the granularity needed to evaluate incremental progress in complex, multi-step tasks. In response, we introduce ItineraryBench in the context of travel planning, featuring interconnected, progressively complex tasks with a fine-grained evaluation system. ItineraryBench is designed to assess agents' abilities in memory, planning, and tool usage across tasks of varying complexity. Our experimental results reveal that TDAG significantly outperforms established baselines, showcasing its superior adaptability and context awareness in complex task scenarios.