本次采用TextExtractor生成了复旦NLP和米哈游最新Agent Survey论文的总结摘要：

内容如下：

大型语言模型的崛起与潜力：调查摘要

https://arxiv.org/pdf/2309.07864.pdf

概要：

这篇论文提供了关于基于大型语言模型(LLM)的智能体系(LLM-based agents)的全面和系统的概述，讨论了这个蓬勃发展的领域中的潜在挑战和机遇。主要内容包括:

1. 背景介绍:追溯智能体的哲学起源，简要概述智能体在AI领域的发展历史，并阐述LLM作为智能体大脑组件的适宜性。 

2. 智能体构建:提出了一个通用的LLM-based agent概念框架，包括大脑、感知和行动三个主要组件。

3. 实践应用:详细介绍了LLM-based agent在单智能体、多智能体和人机交互等场景中的广泛应用。

4. 智能体社会:探讨了LLM-based agent的行为和个性，以及将多个agent放在一起时可能出现的社会现象及其启示。

5. 讨论:讨论了LLM研究和智能体研究的互利关系、智能体的评估方面、潜在风险、扩大agent数量的可能性等关键议题和未来发展方向。

6. 结论:总结全文，表达了作者希望这篇综述能对相关领域的研究人员和实践者提供启发的期待。

总的来说，本文全面系统地介绍了LLM-based agent的相关背景、构建方法、应用场景、社会化模拟以及存在的问题和未来展望，对于理解和把握这个新兴且活跃的研究领域具有重要参考价值。

详细版本：

# 大型语言模型及其基于智能代理的潜力:综述

近年来，大型语言模型（LLMs）日益成为构建适应多样场景的AI代理的基础。这种基于LLM的代理不仅在单代理情境中表现出色，而且在多代理场景和人-代理合作方面取得了显著进步。以下，我们将深入探讨该领域的主要发展和潜在挑战。

## 基于LLM的代理的构造和应用

基于LLM的代理通常由三大组件构成：大脑、感知和行动。其“大脑”模块负责记忆、思考和决策等任务，同时也具备出色的自然语言生成能力，可以在多种语言中产生高质量的文本。这些代理可以凭借其独立性、反应性、主动性和社交能力来进行自我运营、响应变化、采取主动行动和与其他代理互动。

基于LLM的代理在处理视觉和音频输入方面也表现出较高的灵活性。通过使用中间层或单一投影层与视觉编码器相结合，以及利用像AudioGPT和AST这样的模型处理音频，它们可以更好地与周围环境互动。

## 计划与执行

为了解决复杂任务，这类代理采用了涉及计划制定和计划反思的规划方式。他们还能够利用来自环境的外部反馈来增强规划性能，而工具可以扩展其行动空间，增强专业知识和透明度，使其更具解释力和稳健性。

## 体验与应对现实世界的挑战

尽管LLMs表现出了理解暗示含义和意图的潜力，但他们还是面临着处理模糊指令的挑战。他们也有可能产生与源冲突的内容和出现“幻觉”问题。在现实环境中，基于LLM的代理还需要解决感知和处理以及运动控制方面的问题。

## 虚拟社会与道德考虑

在模拟社会中，这些代理可以展示外部社会行为和内部个性特质，提供有关社会网络传播、道德决策和政策制定的见解。然而，创建这样的模拟社会也存在着道德问题、偏见输出、隐私和安全风险，以及可能对代理产生依赖的挑战。

## 研究焦点与未来展望

在未来，研究将专注于使代理能够展示情感和共情，以增强用户满意度和应用范围。此外，持续学习和适应新环境的能力将是代理演变的重要方面。尽管存在一系列潜在风险，如滥用、失业和对人类福祉的威胁，但适当的规定和标准可以确保AI代理不对现实世界构成威胁或损害。

综上所述，LLM研究和代理研究的交汇处提供了相互受益的机会，开辟了新的可能性和挑战，预示着一个前景光明的未来。但是，是否通过扩大LLMs可以实现人工通用智能（AGI）还是一个有待进一步探讨的问题。