Awesome-Papers-Autonomous-Agent

项目介绍：Awesome-Papers-Autonomous-Agent

项目概述

Awesome-Papers-Autonomous-Agent 项目是一个旨在收集和整理自动化智能体领域最新研究论文的项目。自动化智能体是指能够感知环境，自主采取行动以实现目标的人工智能系统，可以通过学习或获取知识不断提高性能。典型的实例包括温控器、自动驾驶汽车以及各种复杂的控制系统。与传统的增强学习（RL）智能体有所不同，这个项目主要关注基于增强学习（RL）和大型语言模型（LLM）的智能体。

更新历史

项目始终处于活跃维护状态，鼓励用户反馈遗漏的相关论文。以下是一些重要更新：

2024/01/31：新增自动化智能体的调研专题。
2023/12/08：添加被 ICML'23 和 ICLR'23 接收的论文。
2023/11/08：更新被 NeurIPS'23 接收的论文及其相关链接。
2023/10/25：按研究主题分类所有论文。
2023/10/18：项目首次发布，包括 ICLR 2024 提交的论文。

内容分类

项目的内容被详细分类为以下几类，便于研究人员查找和学习：

调研综述

收录了关于大型语言模型和基于大型语言模型的自治代理的最新综述型论文。

基于增强学习的智能体

本类别覆盖了以下主题：

指令执行：探索自然语言条件下的强化学习。
基于世界模型构建智能体：研究如何使用世界模型进行智能体的构建。
语言作为知识：关注于语言如何影响和改进强化学习。
使用 LLM 作为工具：探讨如何将大型语言模型作为工具引入强化学习。
任务间的广义性：研究智能体如何在不同任务中保持通用性。
持续学习：智能体在不断变化的环境中如何持续学习。
结合 RL 和 LLM：探讨两者的互补与结合。
基于 Transformer 的策略：使用 Transformer 技术改进策略。
轨迹与语言的转换与预测：如何从轨迹数据生成语言解释，或者反向进行轨迹预测。

基于LLM的智能体

本类别包含了以下子主题：

多模态：研究如何在开放的世界中，结合视觉、语言等多模态信息。
为广义性和适应性训练LLM：探讨LLM如何用于任务的广泛和适应性训练。
任务特异性设计：专注于解决特定任务的智能体设计。
多智能体系统（社会，合作）：关于合作、社会性的多智能体系统的研究。
实验分析：对当前LLM在协调、多智能体环境中的性能进行评估和分析。
基准与数据集：为研究者提供评估LLM和智能体的工具。
应用：LLM智能体在现实应用中展现潜力的具体案例。
算法设计：探索新的算法，以提高LLM智能体在复杂任务中的表现。
与RL结合：在战略游戏等任务中，结合使用语言模型与强化学习技术。

总结

Awesome-Papers-Autonomous-Agent 通过汇集最新的研究进展，为研究智能体的学者和从业者提供了丰富的资源和多样的参考。无论是启发新想法的理论研究，还是推动技术进步的实用应用，都能在这里找到适合的材料。项目的活跃维护确保了其内容的前沿性和实用性，是研究人员扩展视野的理想选择。