现有基于LLM的智能体虽然在功能上取得了进展，但 缺乏模块化 ，导致在研究和开发中存在 术语和架构上的混淆 ，在软件架构上缺乏统一。

“A survey on LLM based autonomous agents”提出的框架，它并没有明确指出大型语言模型（LLM）、工具、数据源和记忆是否是Agent的一部分。这种对每个模块功能的模糊区分促进了 软件开发者之间的分裂 ，并导致 不兼容和阻碍了可重用性

LLM-Agent-UMF框架 通过明确区分智能体的不同组件，包括LLM、工具和新引入的核心智能体（ core-agent ），来解决这些问题。核心智能体是智能体的中央协调器，包含 规划、记忆、档案、行动和安全 五个模块，其中安全模块在以往的研究中常被忽视。

核心智能体作为基于大型语言模型（LLM）智能体的中心组成部分

核心智能体（core-agent）的内部结构

核心智能体（core-agent）是LLM-Agent-UMF框架的关键组成部分。核心智能体被设计为智能体的 中央协调器 ，负责管理和协调智能体的各种功能和组件。内部结构被划分为五个主要模块，每个模块都有其特定的功能和责任：

核心智能体的内部结构

核心智能体（core-agent）的分类

对核心智能体进行了分类，区分为 主动核心智能体（Active Core-Agents） 和 被动核心智能体（Passive Core-Agents） ，以阐明它们在结构和功能上的差异。

主动和被动核心智能体的内部结构

主动核心智能体（Active Core-Agents）：

多主动核心智能体架构

被动核心智能体（Passive Core-Agents）：

包括被动核心智能体的基于大型语言模型（LLM）的智能体架构

多被动核心智能体架构

混合多核心智能体（Hybrid Multi-Core Agent）架构，

一主动多被动核心智能体混合架构

多主动多被动核心智能体混合架构

核心智能体（core-agent）的有效性

使用LLM-Agent-UMF对最新智能体进行分类。

Toolformer和Confucius的多被动核心智能体系统 ：结合了Toolformer和Confucius的被动核心智能体，以处理特定的工具调用和任务执行。

基于大型语言模型的智能体1（LA1）：Toolformer和Confucius - 多被动核心智能体架构。

ToolLLM和ChatDB的多主动核心智能体系统 ：将ToolLLM的API检索能力和ChatDB的复杂推理能力结合起来，创建了一个能够执行高级任务规划和执行的智能体。

基于大型语言模型的智能体2-A（LA2-A）：ToolLLM和ChatDB - 多主动核心智能体架构。

LLM-BASED AGENT UNIFIED MODELING FRAMEWORK FOR SEAMLESS INTEGRATION OF M

本文转载自​ ​PaperAgent​ ​