WizardLM新作！AgentGen：通过环境和任务生成增强基于大模型的Agent规划能力

文章预览

基于大语言模型的智能体（LLM-based Agent）受到了广泛关注，并越来越受欢迎。此外，规划能力是 LLM-based Agent 的重要组成部分，它涉及与环境的交互和执行行动以完成规划任务，这通常需要从初始状态实现预期目标。 本文研究通过 Instruction Tuning（即 Agent Training）来提高 LLM-based Agent 的规划能力。 最近关于 Agent Training 的研究表明，利用专家级轨迹数据（行动-观察对序列）对 LLM 进行 instruction tuning，可有效增强其规划能力。不过，现有的工作主要集中在从人工设计的规划任务和环境中合成轨迹。创建这些环境和任务需要耗费大量人力物力，因此无法生成足够丰富和广泛的轨迹用于智能体（Agent）训练。 为了解决这一局限性，本文探索了自动合成各种环境和从易到难的渐进式规划任务的方法。作者引入了一个名为 AgentGen 的框架，该框架首先利用 LLM 生 ………………………………