AgentSquare是清华大学团队推出自动在模块化设计空间中搜索大型语言模型代理。基于标准化的模块接口抽象，实现AI智能体的高速自我演化和自适应演进。框架包含任务规划、常识推理、工具使用和记忆学习四个核心模块，支持智能体针对不同任务场景的优化设计。AgentSquare基于模块重组、模块进化和代理评测模型，解决智能体设计的搜索问题，显著提升智能体的性能，有效控制推理成本。
AgentSquare的主要功能模块化设计空间：AgentSquare提出一个包含规划、推理、工具使用和记忆四个基本模块的模块化设计空间，支持研究人员轻松构建和优化LLM代理。模块重组：基于智能体顶层架构的优化，AgentSquare能重组现有的高性能模块，探索更优的智能体设计。模块进化：AgentSquare在代码层面探索和生成新的模块设计，引入创新性设计并扩展设计空间。性能预测：引入代理评测模型（Surrogate Model）预测智能体性能，减少昂贵的实时评估成本，加速搜索过程。自动化搜索：AgentSquare自动发现和优化LLM代理设计，无需人工干预，实现自动化的智能体设计搜索。AgentSquare的技术原理模块化智能体搜索（MoLAS）：AgentSquare基于MoLAS问题，基于模块化方法自动优化LLM代理设计。模块重组机制：用大型语言模型（LLM）作为重组提议者，基于性能评测经验，提出新的模块组合方案。模块进化机制：基于LLM作为模块编程器，结合进化元提示（Evolutionary meta-prompt），探索新的模块设计。性能预测模型：用上下文替代模型（in-context surrogate model）预测新提出的LLM代理的性能，减少评估成本。迭代搜索算法：AgentSquare基于迭代搜索算法，结合模块重组和模块进化，发现性能更优的代理设计。标准化接口：基于标准化不同模块的输入输出接口，AgentSquare支持模块间的无缝集成和替换，便于新模块的快速集成和测试。AgentSquare的项目地址：项目官网：tsinghua-fib-lab.github.io/AgentSquare_websiteGitHub仓库：https://github.com/tsinghua-fib-lab/AgentSquarearXiv技术论文：https://arxiv.org/pdf/2410.06153AgentSquare的应用场景自动化客户服务：在客户服务领域，AgentSquare设计智能体自动回答客户咨询，处理订单和提供个性化服务。智能个人助理：作为个人助理，AgentSquare帮助用户管理日程、提醒重要事件、搜索信息和执行日常任务。教育和学习：在教育领域，AgentSquare创建智能教学辅助工具，提供个性化学习计划和辅导。医疗咨询：AgentSquare能辅助医疗行业，用智能体提供初步诊断、健康咨询和医疗信息检索。金融决策支持：在金融领域，AgentSquare设计智能体分析市场趋势、提供投资建议和风险评估。 
