摘要
基于大型语言模型（LLM）的智能体在撰写文章、编码和信息检索方面表现出色。然而，由于问题的双向动态特性及对决策可解释性的高需求，它们在科学社区内的协作能力较弱。本研究提出了 COWEAVER，一种双向、可学习且可解释的算法，用于在人类与智能体网络中匹配科学家并形成强有力的合作关系。
COWEAVER 通过填补能力差距来匹配候选人和请求者，并通过两阶段排名步骤筛选候选人。模型通过保持对不确定性的能力估计，并通过请求者的反馈不断更新，来探索新参与者。
我们展示了 COWEAVER 的选择机制，结合了探索（UCB）和贪婪策略，在20个任务中的6个任务上超越了仅使用贪婪策略的最佳分析解，并在选择最佳候选人方面与贪婪策略表现相当。
我们还对 COWEAVER 的基线进行了匹配质量和效率方面的比较，结果表明 COWEAVER 在所有指标上均优于基线。
博主点评： COWEAVER 的创新之处在于其双向匹配机制和对决策过程的可解释性，使得科学家与智能体之间的合作更加高效和透明。这一研究为未来的人机协作提供了重要的理论基础和实践指导。