多智能体系统在化学工程中的应用：综述与展望.pdfVIP

©A.M.SchweidtmannPage1of14

多智能体系统在化学工程中的应用：综述与展望

索菲亚·鲁普雷希特，高庆和，塔努吉·卡里亚和阿图尔·M·施韦德曼

代尔夫特理工大学，化工系，范德马斯韦格9号，德尔夫特2629HZ，荷兰

Abstract:基于大型语言模型（LLM）的多智能体系统（MAS）是一项最近但迅速发展的技术，有

望通过将复杂的流程分解为具有专门知识和工具的合作智能团队来变革化学工程。本综述调查了化

学工程领域内MAS的现状。虽然早期研究展示了有希望的结果，但仍存在科学挑战，包括设计定制

架构、整合异构数据模式、开发具有特定领域模式的基础模型以及确保透明度、安全性和环境影响

的战略。作为一个年轻但发展迅速的领域，MAS提供了重新思考化学工程流程的激动人心的机会。

关键词：过程合成；大型语言模型（LLMs）；生成式人工智能（GenAI）；代理型大型语言模型；

代理型人工智能

本

译1介绍

中

1大型语言模型（如GPT-4）的出现标志着技术上的飞跃，使语言翻译、多模态数据处理、数学

v

1

0推理和代码生成等高级能力得以实现。这些进展促进了包括自动驾驶、化学和材料科学在内的多

8

8个领域的进步。同样，在化工工程领域开发和应用LLM的兴趣日益增长2,3，特别是在过程系统

7

0.工程方面4–6。

8

0虽然LLMs在各个领域展示了强大的能力，但它们在化学工程中的应用仍然受限，主要是因为

5

2存在多个基本缺点。LLMs通常以端到端的方式作为黑盒模型进行训练，缺乏透明度和可解释性。

:

v

i因此，LLMs常常无法解决需要物理推理和上下文整合的特定领域的多步骤问题。化学工程工作流

x

r程本质上是复杂的，需要跨越多个尺度的系统级视角。这些工作流程高度依赖于专业模拟工具和外

a

部数据源，而独立的LLMs不能可靠地复制或替代它们。没有接触到相关的工具和可信的数据来源，

即使是最先进的LLMs在能力上也根本受到限制。此外，由于训练数据中的偏差和空白，LLMs容易

产生幻觉——生成自信但错误的结果。这种行为带来了重大的安全风险。关键的是，通用的LLMs

不具备对物理定律（如热力学约束或质量与能量平衡）的内在理解，这经常导致它们输出的内容在

物理上是无效的7,8。

基于LLM的多智能体系统（MASs）为解决这些挑战提供了一种有前景的方法。MASs将复杂的

任务细分为较小的子任务，并分配角色给可以相互交互的不同智能体～9,10～。在此过程中，单个

1

智能体通常是装备了以可执行工具、数据库访问和文献形式存在的外部知识的LLM～～。MASs

11,1213–1516

已经在其他领域取得了成功～～。MAS的显著例子包括化学、药物发现、材料设

1718–202122

计、科学发现、医学和代码生成。最近的生产就绪框架如Clint和CodeRabbit进

一步展示了多智能体协作在软件工程任务中的应用，包括自主开发、代码审查和项目管理。最近，

Correspondingauthor:A.M.Schweidtmann,E-mail:a.schwei