概述
近年来，基于大规模语言模型（LLM）构建自主代理系统备受关注，但传统方法依赖于预先定义的代理模板，存在灵活性和可扩展性问题。在此背景下，本文提出了一个名为 "SwarmAgentic "的新框架。该方法只需将任务描述和目标函数作为输入，就能在结构化的自然语言空间中全自动生成、优化和改进代理的协调结构。
该方法的一个显著特点是基于语言对粒子群优化（PSO）进行了重组，粒子群优化是一种群集智能，其中结构化代理系统被视为粒子。每个粒子都有一个用自然语言描述的代理配置和协调策略，并使用 LLM 进行迭代改进。因此，所提出的方法在复杂的实际任务（如旅行规划、行程协调和创意任务）中取得了很高的性能，明显优于以前的方法。
建议的方法
SwarmAgentic 是一个全自动框架，它以自然语言构建代理系统，并将其作为优化目标。其基本单位是 "粒子"，每个粒子由一组代理配置和协作工作流程组成。首先，在初始化阶段，使用 LLM 生成各种粒子。这包括由温度参数控制的搜索范围，从保守配置到创新配置不等。
优化通过 "故障感知速度更新"（Failure-Aware Velocity Update）实现，它使用基于故障的流量反馈。更新从失败中学习，并根据与自身最佳配置（个人最佳配置）和全群最佳配置（全局最佳配置）的比较，生成改进配置的方向。这样，微粒就能在句子层面重新配置自己的角色定义和协调策略，从而提高解决方案的质量。
位置更新（Position Update）通过句子结构转换来修改实际的代理配置和工作流程。通过这一系列过程，SwarmAgentic 能够生成自主优化的代理系统，同时兼顾配置的适应性和可解释性。
实验
为了测试 SwarmAgentic 的有效性，我们在六个现实的、结构限制较少的任务上进行了实验，包括旅行计划（TravelPlanner）、行程协调（NaturalPlan）、创意写作（Creative Writing）和数学推理（MGSM）。基线是一项标准的直接形式任务。基线包括标准的直接提示（Direct）、思维链（CoT）和自我修正的自我定义，以及现有的自动生成方法，如 EvoAgent 和 ADAS。
结果，在 TravelPlanner 任务中，SwarmAgentic 比 ADAS 提高了 261.8%，在所有任务中的准确率最高。特别是在创建任务中，我们还观察到，增加粒子数量和迭代次数可显著提高输出的一致性和主题性。
此外，一项可视化合成优化中期过程的分析表明，随着质量保证专家的引入和协作流程的调整，成功率逐步提高，这证明了 SwarmAgentic 的进化过程是有序和可解释的。这些结果表明，不依赖模板的全自动代理设计在实际任务中非常有效。