Investigate-Consolidate-Exploit: A General Strategy for Inter-Task Agent Self-Evolution

要約

このペーパーでは、タスク間の自己進化を通じて AI エージェントの適応性と柔軟性を強化するための新しい戦略である Investigate-Consolidate-Exploit (ICE) を紹介します。
タスク内学習に重点を置いた既存の方法とは異なり、ICE は人間の経験学習と同様に、真の自己進化を目的としたタスク間の知識の伝達を促進します。
この戦略は、計画と実行の軌跡を動的に調査し、それらを簡素化されたワークフローとパイプラインに統合し、タスクの実行を改善するために活用します。
XAgent フレームワークに関する私たちの実験では、API 呼び出しが 80% も削減され、モデルの機能に対する需要が大幅に減少するという ICE の有効性が実証されました。
具体的には、GPT-3.5 と組み合わせると、ICE のパフォーマンスはさまざまなエージェント タスクにわたって未加工の GPT-4 のパフォーマンスと同等になります。
私たちは、この自己進化アプローチはエージェント設計のパラダイムシフトを表し、より堅牢な AI コミュニティとエコシステムに貢献し、完全な自律性に一歩近づくと主張します。

要約(オリジナル)

This paper introduces Investigate-Consolidate-Exploit (ICE), a novel strategy for enhancing the adaptability and flexibility of AI agents through inter-task self-evolution. Unlike existing methods focused on intra-task learning, ICE promotes the transfer of knowledge between tasks for genuine self-evolution, similar to human experience learning. The strategy dynamically investigates planning and execution trajectories, consolidates them into simplified workflows and pipelines, and exploits them for improved task execution. Our experiments on the XAgent framework demonstrate ICE’s effectiveness, reducing API calls by as much as 80% and significantly decreasing the demand for the model’s capability. Specifically, when combined with GPT-3.5, ICE’s performance matches that of raw GPT-4 across various agent tasks. We argue that this self-evolution approach represents a paradigm shift in agent design, contributing to a more robust AI community and ecosystem, and moving a step closer to full autonomy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google