SynWorld: Virtuelle Szenariosynthese zur Verfeinerung agentenbasierter Handlungskompetenz

SynWorld: Virtual Scenario Synthesis for Agentic Action Knowledge Refinement

April 4, 2025

Autoren: Runnan Fang, Xiaobin Wang, Yuan Liang, Shuofei Qiao, Jialong Wu, Zekun Xi, Ningyu Zhang, Yong Jiang, Pengjun Xie, Fei Huang, Huajun Chen

cs.AI

Zusammenfassung

In der Interaktion zwischen Agenten und ihrer Umgebung erweitern Agenten ihre Fähigkeiten durch Planung und Ausführung von Aktionen. Allerdings stehen LLM-basierte Agenten vor erheblichen Herausforderungen, wenn sie in neuen Umgebungen eingesetzt werden oder unkonventionelle Aktionsräume navigieren müssen. Um Agenten zu befähigen, Umgebungen autonom zu erkunden, Arbeitsabläufe zu optimieren und ihr Verständnis von Aktionen zu verbessern, schlagen wir SynWorld vor, ein Framework, das es Agenten ermöglicht, mögliche Szenarien mit mehrstufiger Aktionsausführung innerhalb des Aktionsraums zu synthetisieren und eine Monte-Carlo-Baumsuche (MCTS) durchzuführen, um ihr Aktionswissen in der aktuellen Umgebung effektiv zu verfeinern. Unsere Experimente zeigen, dass SynWorld ein effektiver und allgemeiner Ansatz ist, um Aktionswissen in neuen Umgebungen zu erlernen. Der Code ist unter https://github.com/zjunlp/SynWorld verfügbar.

English

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.