HuggingGPT：LLM 控制器编排专家模型¶
本页实现 task planning、按能力描述选择模型、依赖图执行和最终汇总四阶段。
论文信息¶
| 字段 | 内容 |
|---|---|
| 论文链接 | HuggingGPT: Solving AI Tasks with ChatGPT and its Friends in Hugging Face |
| 公司 / 机构 | Zhejiang University / Microsoft Research Asia |
| 首次公开日期 | 2023-03-30 |
| 原作者代码 | 已开源（JARVIS） |
| 本地 adapter / CLI key | hugginggpt |
| 本地复现代码 | src/auto_research/agent_research/ |
原始论文总结¶
背景与主要改动¶
单个 LLM 难以覆盖视觉、语音和其他专业任务，而模型社区已有大量专家。HuggingGPT 让 ChatGPT 充当控制器：先把请求拆成带依赖的子任务，再按 Hugging Face 模型描述 匹配专家，按拓扑顺序执行，最后把多模型输出组织为用户答案。
flowchart LR
Q["用户请求"] --> P["Task planning"]
P --> M["按 capability 选择模型"]
M --> E["按依赖图执行"]
E --> S["Response generation / 汇总"]原论文关键图¶
原论文 Figure 2（关键图）：展示原论文的整体流程、关键阶段及其数据流向。图片来自原论文，版权归原作者所有；点击图片可查看来源。
核心公式¶
\[
G=(V,E)=\operatorname{Plan}(x),\qquad
m_v=\arg\max_m \operatorname{match}(d_v,c_m),\qquad
o_v=f_{m_v}(o_{\mathrm{pa}(v)}).
\]
论文离线与线上效果¶
论文用语言、视觉、语音和跨模态案例展示复杂任务编排能力，主要是系统案例与定性 评估，没有生产线上 A/B 实验。
本地复现¶
PlanBench mini 120 episodes、seed 42；工具描述充当本地模型 capability registry， 每个子任务保留 dependency edge 后执行。
| 指标 | Long-context 基线 | HuggingGPT |
|---|---|---|
| joint success | 1.0000 | 1.0000 |
| average cost | 64.5000 | 2.3500 |
| model matches / dependency edges | 0 / 0 | 360 / 240 |
auto-research agent-eval --method hugginggpt --benchmark planbench-mini \
--episodes 120 --memory-size 24 --seed 42
稳定指标：
p0-missing-agent-mini-suites-seed42.json。
复现边界¶
复现控制流、能力匹配和依赖执行；没有下载数百个 Hugging Face 模型，也未调用 ChatGPT。mini-suite 的 1.0 表示编排一致，不代表论文跨模态能力。