摘要
异构大型语言模型（LLMs）驱动的具身代理团队正在广泛应用于智能工厂、仓库和服务机器人等物理人工智能领域。为了实现这些代理团队之间的协作，需要在有限网络资源下可靠运行的高效协调机制。然而，现有的基于多轮自然语言对话的异构LLM代理协调框架面临三个相互关联的挑战：
- 代理之间的对话会导致通信开销随着团队规模的增加而迅速增长。
- 协调质量受到代理团队LLMs异构能力的限制。
- 由于迭代协商，代理可能会遭受行动延迟。
为了解决这些挑战，我们提出了LDT-Coord，这是一种基于轻量级数字双胞胎（DT）的网络协调框架。具体而言，每个代理独立选择其预期行动，并向DT服务器报告该行动决策及共享资源的结构化时间约束，从而将协调性能与自然语言推理能力解耦。接着，DT执行一种无训练的基于规则的调度算法来解决跨代理冲突，并返回协调指令以防止此类冲突。为了进一步减少通信开销，我们将代理报告控制形式化为约束部分可观察马尔可夫决策过程（C-POMDP），并使用PPO-Lagrangian算法进行求解。仿真结果表明，LDT-Coord在任务成功率上与传统协调方法相当，同时将通信开销降低了70倍以上，并在LLM异构性下保持了鲁棒性。
博主点评： LDT-Coord通过解耦协调机制与自然语言处理能力，显著提高了异构LLM代理的通信效率。这种创新的框架不仅降低了通信成本，还提升了系统的整体鲁棒性，为未来的智能代理协作提供了新的思路。其在实际应用中的潜力值得关注。