本研究探讨了大型语言模型在常识知识方面的应用，特别是在大规模任务规划中的作用。我们提出了一种新的框架，利用LLM的常识推理能力来增强自主代理的任务规划能力。实验表明，与传统方法相比，我们的方法在复杂任务规划中表现出显著优势。
播放速度：
近期大语言模型（LLM）在推理能力上的突破，使得检索增强生成（RAG）达到了前所未有的高度。通过将检索机制与高级推理相结合，LLM 现在能够应对日益复杂的问题。本文系统性地回顾了 RAG 与推理之间的协同作用，明确界定了 RAG 语境下的"推理"概念。我们构建了一个涵盖多维协作目标、代表性范式和技术实现的全面分类体系，并分析了双向协同的方法。此外，本文还批判性地评估了当前 RAG 评测中的局限性，包括多步推理缺乏中间监督，以及与成本-风险权衡相关的实际挑战。为弥合理论与实践的鸿沟，我们还针对多样化的真实应用场景，提供了实用指南。最后，本文指出了有前景的研究方向，如基于图的知识整合、混合模型协作和强化学习驱动的优化。总体而言，本研究为学术界和工业界推进 RAG 系统提供了理论框架和实践基础，助力下一代 RAG 解决方案的发展。。
大型语言模型（LLMs）的出现，推动了人工智能领域的变革性进步，为能够进行复杂推理、强大感知和多领域灵活行动的高级智能体铺平了道路。随着这些智能体在AI研究和实际应用中扮演越来越重要的角色，其设计、评估和持续改进也带来了复杂且多层面的挑战。本综述全面梳理了相关进展，将智能体置于一种模块化、类脑架构之中，融合了认知科学、神经科学和计算研究的原理。我们将探讨分为四个相互关联的部分。首先，深入分析智能体的模块化基础，系统地将其认知、感知和操作模块映射到人脑的类似功能，并阐释记忆、世界建模、奖励处理和类情感系统等核心组成部分。其次，讨论自我增强与适应性进化机制，探索智能体如何自主提升能力、适应动态环境，并通过自动化优化范式（包括新兴的AutoML和LLM驱动的优化策略）实现持续学习。第三，考察协作与进化的多智能体系统，研究智能体间互动、协作和社会结构中涌现的集体智能，突出其与人类社会动态的相似之处。最后，聚焦于构建安全、可靠且有益的AI系统，强调内在与外在的安全威胁、伦理对齐、鲁棒性以及实现可信实际部署所需的实际缓解策略。
