SynWorld: Virtual Scenario Synthesis for Agentic Action Knowledge Refinement

要約

エージェントとその環境との相互作用において、エージェントは行動を計画し実行することでその能力を拡張する。しかし、LLMベースのエージェントは、新しい環境に配置されたり、型破りな行動空間をナビゲートする必要がある場合、大きな課題に直面する。そこで我々は、エージェントが自律的に環境を探索し、ワークフローを最適化し、行動に対する理解を深めるために、エージェントが行動空間内で多段階の行動起動を伴う可能性のあるシナリオを合成し、モンテカルロ木探索（MCTS）を実行して、現在の環境における行動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であるSynWorldを提案する。我々の実験は、SynWorldが新しい環境における行動知識を学習するための効果的で一般的なアプローチであることを示している。コードはhttps://github.com/zjunlp/SynWorld。

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, DeepL