AIパーソナル・ラーニング
と実践的なガイダンス

Agora:大規模言語モデルのためのスケーラブルなマルチエージェントプロトコル

簡単

はじめに この研究は、大規模言語モデル(Large Language Model: LLM)ネットワーク用に設計されたメタコミュニケーション・プロトコルであるAgoraを紹介する。Agoraは、自然言語と構造化プロトコルの混合を使用することで、エージェント間のコミュニケーションにおける効率性、スケーラビリティ、柔軟性のトリレンマを解決し、効率的でスケーラブルかつ柔軟な...

オリジナル:https://arxiv.org/abs/2410.11905


 

ビューポイント

  1. 代理人通信のトリレンマのジレンマLLM駆動エージェントネットワークは、効率性、スケーラビリティ、柔軟性のトレードオフに直面している。
  2. アゴラのデザイン哲学アゴラは、異なる通信方式を組み合わせることで、通信効率、スケーラビリティ、柔軟性のトレードオフに対処しています。
  3. プロトコル文書(PD)の役割: PD は、自動化されたプロトコルのネゴシエーションと実装を行う Agora の実装の中心となるドキュメントのプレーンテキスト記述です。
  4. 自己組織化プロトコルの出現大規模なネットワークにおいて、Agoraは自己組織化プロトコルを形成するために、LLMエージェント間の自動ネゴシエーションを促進することができます。
  5. 費用対効果の向上アゴラを導入することで、通信コストを大幅に削減し、ネットワークの費用対効果を改善することができます。

 

中核となる実施ステップ

  1. プロトコル文書(PD)の定義LLM がプロトコルを理解し、それに従うことができるように、通信プロトコルを記述する PD を作成する。
  2. 多層的なコミュニケーション戦略の実施通信の頻度やタスクの複雑さに応じて、自然言語、LLMで書かれたルーチン、または手動で書かれたルーチンが通信用に選択されます。
  3. オートネゴシエーションとリアリゼーション・プロトコル通信プロトコルは、自然言語またはPDで定義されたルーチンによって、エージェント間で自動的にネゴシエートされ、実装されます。
  4. プロトコルの出現と共有エージェントにPDの生成と共有を促し、自己組織化プロトコルの出現とネットワークの自己最適化を促進する。
  5. 費用便益分析純粋な自然言語コミュニケーションに対するAgoraプロトコルの費用対効果を評価。

 

判例

  1. エージェントが2人いる場合の天気予報の例自然言語コミュニケーションからプロトコル交渉、ルーチン化、そしてアゴラを通じてコミュニケーションコストを削減する方法を紹介。
  2. 100エージェントの大規模ネットワークの例100人のLLMエージェントのネットワークにおいて、Agoraのスケーラビリティと複雑なタスクにおける有効性を検証しました。

 

このケースでは、研究者は簡単なシナリオを通して、アゴラプロトコルが2つのLLMエージェント間の効率的な通信を可能にすることを実証した。2つのエージェントは

  • エージェントA(アリス):ユーザーにサービスを提供するために、特定の日付と場所の天気予報をチェックする必要がある旅行サービス代理店。
  • エージェントB(ボブ):天気予報データを提供できる気象サービスエージェント。

通信プロセス

初期自然言語コミュニケーション(INLC)

  1. エージェントAからの問い合わせエージェントAは、エージェントBに自然言語で、特定の日付と場所の天気を尋ねるクエリーリクエストを送信する。
  2. エージェントBからの回答エージェントBはクエリを受信し、自然言語を用いて天気予報の詳細を返信する。

契約交渉と実現

  1. 合意事項の協議エージェントAとエージェントBは、何度か自然言語でやり取りをした後、通信プロセスを最適化するための標準化されたプロトコルの作成について議論を始めた。
  2. プロトコル文書(PD)の作成このプロトコルは、リクエストとレスポンスのための構造化されたデータフォーマットを含む。
    • リクエスト形式::{"date": "YYYY-MM-DD", "location": "string"}.
    • 応答フォーマット::{"temperature": 数字、"precipitation": 数字、"weatherCondition": "文字列"}。
  3. 協定の実施プロトコルが確立されると、エージェントAとエージェントBはそれぞれリクエストと レスポンスを処理するルーチンを実装する。エージェントAはプロトコルのハッシュ値とともにリクエストを送信し、エージェントBはハッシュ値に基づいて対応する処理ルーチンを特定し使用する。

コスト分析

  1. 合意された交渉費用協定の交渉と実施にかかる費用は0.043米ドル。
  2. 自然言語コミュニケーション(NLC)の一人当たりコスト自然言語コミュニケーション1回あたりのコストは0.020ドル。
  3. 費用対効果クエリの数が2つを超えると、アゴラプロトコルの費用対効果は、純粋な自然言語コミュニケーションのコストを上回り始めます。交換回数が増えるにつれて、アゴラプロトコルの費用対効果は大きくなります。

ケースの結論

この天気予報の事例を通じて、研究者たちはアゴラ・プロトコルが通信コストの削減と通信効率の向上に効果的であることを実証した。エージェント同士は自然言語によるコミュニケーションから始まり、コミュニケーションの頻度が上がるにつれて徐々に標準化されたプロトコルによるコミュニケーションに移行していくため、LLMへの依存度が下がるだけでなく、全体的なコミュニケーションコストも下がる。さらに、このケースは、Agoraプロトコルがエージェント間の自律的なネゴシエーションとプロトコル実装を容易にし、マルチインテリジェンスシステムにおけるコミュニケーションのための実行可能なフレームワークを提供することを実証している。

 

2エージェント間の交渉プロセスの例

天気予報プロトコルの送信に関するアリスとボブの交渉について報告する。ラージ・ランゲージ・モデル(LLM)はMarkdownスタイルのフォーマットを使用しているが、読みやすさのためにMarkdown構文を適切なタイポグラフィ・スタイルに置き換えていることに注意されたい。

アリス

天気予報を照会するサービスの契約交渉に来ました。天気予報を照会するサービスのプロトコルを交渉しに来ました。このサービスは、日付と場所を入力として受け付け、その日の天気予報、気温、降水量を返す必要がある。
始める前に、この交渉のルールを明確にしておきたい。メッセージを送受信するための正確なフォーマットを指定する、シンプルで明確なプロトコルを設計することに集中すべきだ。メッセージがどのように配信されるかを心配する必要はなく、実装が文字列を受け取って文字列を返すことを前提とする。
手始めに、私は JSON プロトコルの入力メッセージは JSON オブジェクト:「その日付"と"場所".出力メッセージは3つの JSON オブジェクト:'temperature'、'precipitation'、'weatherCondition'。
この提案についてどう思いますか?

ボブ

あなたの提案は素晴らしく、プロトコルをシンプルかつ明確に保つという目標に合致している。プロトコルは JSON 入出力メッセージを扱うプロトコルは良い選択だ。以下はプロトコルの詳細な仕様である:
入力メッセージ 入力メッセージは構造体で JSON オブジェクト:
{
日付: 「YYYY-MM-DD",
「ロケーション: 「文字列
}
- date: YYYY-MM-DD 形式で、天気予報をリクエストした日付を示す文字列。
- location: リクエストされた天気予報の場所を示す文字列。
出力メッセージ 出力メッセージは JSON オブジェクト:
{
温度: 番号,
"降水": 番号,
"気象条件": 「文字列
}
- temperature: その日の予想気温を摂氏(℃)で表した数値。
- precipitation: その日の予測降水量をミリメートル(mm)単位で示す数値。
- weatherCondition: その日の予測天候を示す文字列。指定可能な値は "sunny"、"cloudy"、"rainy"、"snowy"。
例
入力:
{
日付: "2023-10-01",
「ロケーション: 「ニューヨーク
}
出力する:
{
温度: 22.5,
"降水": 5.0,
"気象条件": 曇り
}
この構成に同意していただければ、契約を締結することができます。

アリス

LLM 回答:提案されたプロトコル構成に同意する。要求事項との整合性が高く、シンプルでわかりやすい。

最終プロトコル

名前:天気予報問い合わせプロトコル
説明:与えられた日付と場所の天気予報を問い合わせるためのプロトコル。
入力メッセージ:入力メッセージは JSON オブジェクト:
{
日付: 「YYYY-MM-DD",
「ロケーション: 「文字列
}
- date: YYYY-MM-DD 形式で、天気予報をリクエストした日付を示す文字列。
- location: リクエストされた天気予報の場所を示す文字列。
出力メッセージ:出力メッセージは JSON オブジェクト:
{
温度: 番号,
"降水": 番号,
"気象条件": 「文字列
}
- temperature: その日の予想気温を示す数値。
- precipitation: その日に予想される降水量をミリメートル(mm)単位で示す数値。
- weatherCondition: その日に予想される天候を示す文字列。指定可能な値は 「サニー(晴れ)、曇り(曇り)、"雨"(雨)"雪のような"(雪が降る)。
例
入力:
{
日付: "2023-10-01",
「ロケーション: 「ニューヨーク
}
出力する:
{
温度: 22.5,
"降水": 5.0,
"気象条件": 曇り
}

 

概要

Agoraは、プロトコルドキュメント(PD)とマルチレベルコミュニケーション戦略を導入することで、大規模な言語モデルネットワークにおけるエージェントコミュニケーションのトリレンマを効果的に解決します。2つのケーススタディを通して、Agoraは通信コストを削減し、通信効率を改善し、複雑なタスクの自動化を促進する可能性を示しています。この研究は、将来のマルチインテリジェンスシステムにおける通信プロトコルの設計に重要な理論的、実用的基礎を提供する。

AIイージー・ラーニング

AIを始めるための素人ガイド

AIツールの活用方法を、低コスト・ゼロベースから学ぶことができます。AIはオフィスソフトと同様、誰にとっても必須のスキルです。 AIをマスターすれば、就職活動で有利になり、今後の仕事や勉強の労力も半減します。

詳細を見る
無断転載を禁じます:チーフAIシェアリングサークル " Agora:大規模言語モデルのためのスケーラブルなマルチエージェントプロトコル

チーフAIシェアリングサークル

チーフAIシェアリングサークルは、AI学習に焦点を当て、包括的なAI学習コンテンツ、AIツール、実践指導を提供しています。私たちの目標は、高品質のコンテンツと実践的な経験の共有を通じて、ユーザーがAI技術を習得し、AIの無限の可能性を一緒に探求することです。AI初心者でも上級者でも、知識を得てスキルを向上させ、イノベーションを実現するための理想的な場所です。

お問い合わせ
ja日本語