KnowAgent: Knowledge-Augmented Planning for LLM-Based Agents

文章预览

❝ 原文链接：https://arxiv.org/pdf/2403.03101.pdf 摘要： 大语言模型（LLMs）在复杂推理任务中展现出巨大的潜力，但在处理更为复杂的挑战时，尤其是通过生成可执行动作与环境交互时，它们的表现不尽如人意。这种不足主要源于语言代理中缺乏内置的动作知识，这使得在任务解决过程中无法有效指导规划轨迹，导致规划幻觉。为了解决这一问题，我们引入了KnowAgent，这是一种新颖的方法，旨在通过整合明确的动作知识来增强LLMs的规划能力。具体来说，KnowAgent采用了一个动作知识库和一个知识型自学习策略来在规划过程中限制动作路径，使得轨迹合成更为合理，从而提高语言代理的规划性能。在HotpotQA和ALFWorld上的实验结果表明，基于各种骨干模型，KnowAgent能够达到与现有基线相当的或更优越的性能。进一步的分析表明，KnowAgent在减少规划幻觉方面是有 ………………………………