Les grands modèles de langage (LLMs) ont montré des performances remarquables dans les tâches de traitement du langage naturel (NLP), mais ils rencontrent encore des défis importants dans les tâches de raisonnement complexe en raison de leurs limitations à analyser profondément les connaissances implicites et la logique. Cependant, les systèmes multi-agents existants (MAS) peuvent produire des informations redondantes ou conflictuelles lors du raisonnement en parallèle, ce qui réduit la qualité des réponses et masque les idées clés. Pour remédier à ces problèmes, nous proposons Rôle-de-Pensée (RoT), un MAS adaptatif qui génère dynamiquement des agents experts spécifiques au domaine pour améliorer les capacités de raisonnement. RoT divise des tâches complexes en sous-tâches multi-étapes, les assigne à des agents experts pertinents, et intègre les processus de raisonnement en une chaîne de raisonnement cohérente. En tirant parti des forces de plusieurs agents experts et du raisonnement par étapes multiples, RoT extrait et applique efficacement les connaissances implicites, améliorant ainsi l'exactitude et l'adaptabilité du raisonnement. Les résultats expérimentaux démontrent que RoT surpasse nettement les méthodes de raisonnement de référence, montrant une performance améliorée en raisonnement dans diverses tâches.
Zeng et al. (Mercredi,) ont étudié cette question.