本文讨论了多LLM（大型语言模型）Agent系统的动态管控问题。研究表明，当两个LLM Agent具有相互对立的目标时，缺乏共享的目标函数会导致对话的崩溃。为了解决这个问题，研究者提出了Experience Orchestrator（EO），一种控制论的管控层，可以取代缺失的目标函数。EO通过三个机制来管控对话：内容选择、行为一致性控制和意图跟踪。在模拟的金融服务环境中，EO实现了高意向的顾问联系率的显著提升（+32个百分点）。研究结果表明，管控策略是决定对话结果的关键因素，而不是环境的初始条件。 博主点评： 本文提出了一种创新性的管控层来解决多LLM Agent系统的协作问题，通过模拟实验验证了其有效性。然而，未来工作还需要在真实的人机交互环境中验证管控层的有效性和鲁棒性。