Este artigo introduz uma estrutura multiagente inovadora para desenvolvimento integrado de ferramentas de IA que unifica diversos grandes modelos de linguagem (LLMs) em um sistema coeso capaz de abordar tarefas multifacetadas. Diferentemente dos sistemas convencionais monolíticos de IA, nossa abordagem decompõe dinamicamente consultas complexas e as direciona para agentes especializados, incluindo modelos ajustados para sumarização, tradução, geração de código e análise específica de domínio, que colaboram por meio de uma camada centralizada de orquestração. Essa orquestração não apenas coordena a comunicação entre agentes via um módulo de memória compartilhada, como também integra o feedback do usuário por meio de um ciclo de aprendizado por reforço para melhoria contínua do sistema. Um estudo de caso abrangente em assistência à pesquisa demonstra que nosso sistema supera as bases de modelos únicos em métricas quantitativas (por exemplo, ROUGE, BLEU, acurácia de testes unitários) e satisfação qualitativa dos usuários. Além disso, discutimos desafios técnicos, questões de escalabilidade e direções futuras.
Building similarity graph...
Analyzing shared references across papers
Loading...
Arpan Shaileshbhai Korat
World Journal of Advanced Research and Reviews
Building similarity graph...
Analyzing shared references across papers
Loading...
Arpan Shaileshbhai Korat (Sat,) estudou esta questão.
www.synapsesocial.com/papers/68bb4df56d6d5674bcd022f2 — DOI: https://doi.org/10.30574/wjarr.2025.27.2.1806
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: