无需训练，性能提升100%！谷歌提出CoA「智能体链」，多LLM协作搞定长文本

原标题：无需训练，性能提升100%！谷歌提出CoA「智能体链」，多LLM协作搞定长文本
文章来源：新智元
内容字数：7801字

谷歌提出“智能体链”：解决LLM长文本处理难题

近年来，大型语言模型（LLM）在诸多任务中表现出色，但处理长文本依然是其短板。谷歌提出的“智能体链”（Chain-of-Agents，CoA）框架为解决这一难题提供了一种新思路。该框架无需训练，任务无关且高度可解释，通过多个LLM间的协作来处理长上下文任务，性能显著超越了传统的检索增强生成（RAG）和长上下文LLM。

1. 核心思想：模拟人类阅读处理长文本的方式 CoA 的灵感源于人类处理长文本的方式：分段阅读和理解。它将长文本分割成多个块，由多个“工作智能体”依次处理，每个智能体处理一个文本块，并将其理解结果传递给下一个智能体。最后，一个“管理智能体”整合所有智能体的信息，生成最终答案。

2. 高效的协作机制 每个“工作智能体”接收前一个智能体传递的信息、当前文本块和任务指令，处理后将更新的信息传递给下一个智能体。这种链式传递机制，使得信息在多个智能体间高效流动，并最终完成对长文本的整体理解。

3. 显著的性能提升 实验结果显示，CoA 在问答、摘要和代码补全等任务上均取得了显著的性能提升，相较于基线模型提升高达10%，处理长文本时提升甚至可达100%。它在多个数据集上，使用不同的基础LLM时，都显著优于Vanilla和RAG模型。

4. 计算效率的提升 CoA 的时间复杂度从全上下文方法的平方复杂度降到了线性复杂度，显著提高了计算效率。这得益于其分块处理和智能体协作机制，避免了将整个长文本一次性输入LLM。

5. 优势与不足 CoA 的优势在于其高效性、可解释性和对不同LLM模型的兼容性。它无需针对特定任务进行训练，并且其工作过程易于理解。然而，文章也讨论了信息损失等问题，并进行了相应的消融实验。

6. 研究意义 CoA 提供了一种新颖且有效的方法来处理LLM的长文本处理难题。它为未来LLM在处理复杂长文本任务方面提供了新的方向，也为多智能体协作在人工智能领域的应用提供了新的案例。

7. 未来展望 谷歌的研究表明，2025年将是智能体技术发力之年。 CoA框架的提出，无疑将推动多智能体LLM在各个领域的应用，例如长文本摘要、复杂问答、代码生成等。

联系作者

文章来源：新智元
作者微信：
作者简介：智能+中国主平台，致力于推动中国从互联网+迈向智能+新纪元。重点关注人工智能、机器人等前沿领域发展，关注人机融合、人工智能和机器人对人类社会与文明进化的影响，领航中国新智能时代。