SynWorld: Virtual Scenario Synthesis for Agentic Action Knowledge Refinement

要約

エージェントとその環境間の相互作用において、エージェントはアクションを計画および実行することにより能力を拡大します。
ただし、LLMベースのエージェントは、新しい環境に展開された場合、または型破りなアクションスペースをナビゲートするために必要な場合、大きな課題に直面しています。
エージェントが環境を自律的に探索し、ワークフローを最適化し、アクションの理解を強化できるようにするために、エージェントがアクション空間内でマルチステップアクションの呼び出しで可能なシナリオを合成し、モンテカルロツリー検索（MCTS）探査を実行して、現在の環境でのアクション知識を効果的に改良することを可能にするフレームワークを提案します。
私たちの実験は、Synworldが新しい環境で行動知識を学ぶための効果的かつ一般的なアプローチであることを示しています。
コードはhttps://github.com/zjunlp/synworldで入手できます。

要約(オリジナル)

In the interaction between agents and their environments, agents expand their capabilities by planning and executing actions. However, LLM-based agents face substantial challenges when deployed in novel environments or required to navigate unconventional action spaces. To empower agents to autonomously explore environments, optimize workflows, and enhance their understanding of actions, we propose SynWorld, a framework that allows agents to synthesize possible scenarios with multi-step action invocation within the action space and perform Monte Carlo Tree Search (MCTS) exploration to effectively refine their action knowledge in the current environment. Our experiments demonstrate that SynWorld is an effective and general approach to learning action knowledge in new environments. Code is available at https://github.com/zjunlp/SynWorld.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google