随着大型语言模型（LLM）的飞速发展，构建完全自主的AI智能体已成为热点。然而，当前的LLM自主智能体在实际应用中仍面临诸多严峻挑战，包括因“幻觉”现象导致的可靠性不足、处理复杂任务的能力有限，以及潜在的安全和伦理风险。这些问题严重制约了它们在现实世界场景中的可行性和可信度。
为克服上述局限，研究人员提出了LLM驱动的人机协作系统（LLM-HAS）。这类系统通过将人类提供的信息、反馈或控制融入智能体体系，旨在显著提升系统的性能、可靠性与安全性。LLM-HAS的核心理念是充分利用人类与基于LLM的智能体各自的优势，实现高效且互补的协作。
近日，一项被ACL 2026（Findings）接受的最新研究，首次对LLM-HAS进行了全面且结构化的综述。该研究深入阐释了LLM-HAS领域的基本概念，并系统性地梳理了构成这些系统的核心组件，具体包括：环境与用户画像（environment and profiling）、人类反馈机制（human feedback）、多样化的交互类型（interaction types）、任务编排策略（orchestration）以及通信模式（communication）。
此外，该综述还探讨了LLM-HAS在新兴领域的应用前景，并详细讨论了人机协作在AI发展过程中所带来的独特挑战与机遇。通过整合现有知识并提供结构化的概览，这项研究旨在推动这一快速发展且跨学科领域内的进一步研究与创新。
