MSI-Agent: Integration von Multi-Scale-Einblicken in verkörperte Agenten für überlegene Planung und Entscheidungsfindung

MSI-Agent: Incorporating Multi-Scale Insight into Embodied Agents for Superior Planning and Decision-Making

September 25, 2024

Autoren: Dayuan Fu, Biqing Qi, Yihuai Gao, Che Jiang, Guanting Dong, Bowen Zhou

cs.AI

Zusammenfassung

Langzeitgedächtnis ist für Agenten signifikant, in dem Erkenntnisse eine entscheidende Rolle spielen. Allerdings können das Auftreten irrelevanter Erkenntnisse und der Mangel an allgemeinen Erkenntnissen die Wirksamkeit von Erkenntnissen erheblich untergraben. Um dieses Problem zu lösen, stellen wir in diesem Paper den Multi-Scale Insight Agent (MSI-Agent) vor, einen verkörperten Agenten, der entwickelt wurde, um die Planungs- und Entscheidungsfähigkeiten von LLMs durch effektive Zusammenfassung und Nutzung von Erkenntnissen über verschiedene Skalen hinweg zu verbessern. MSI erreicht dies durch den Erfahrungsselektor, den Erkenntniserzeuger und den Erkenntnisauswähler. Durch Nutzung eines dreiteiligen Prozesses kann MSI aufgabenspezifische und hochrangige Erkenntnisse generieren, diese in einer Datenbank speichern und dann relevante Erkenntnisse daraus nutzen, um bei Entscheidungen zu helfen. Unsere Experimente zeigen, dass MSI eine andere Erkenntnisstrategie bei der Planung durch GPT3.5 übertrifft. Darüber hinaus untersuchen wir die Strategien zur Auswahl von Ausgangserfahrungen und Erkenntnissen, mit dem Ziel, LLMs mehr nützliche und relevante Erkenntnisse für bessere Entscheidungsfindung bereitzustellen. Unsere Beobachtungen deuten auch darauf hin, dass MSI eine bessere Robustheit bei der Bewältigung von Szenarien mit Domänenwechsel zeigt.

English

Long-term memory is significant for agents, in which insights play a crucial role. However, the emergence of irrelevant insight and the lack of general insight can greatly undermine the effectiveness of insight. To solve this problem, in this paper, we introduce Multi-Scale Insight Agent (MSI-Agent), an embodied agent designed to improve LLMs' planning and decision-making ability by summarizing and utilizing insight effectively across different scales. MSI achieves this through the experience selector, insight generator, and insight selector. Leveraging a three-part pipeline, MSI can generate task-specific and high-level insight, store it in a database, and then use relevant insight from it to aid in decision-making. Our experiments show that MSI outperforms another insight strategy when planning by GPT3.5. Moreover, We delve into the strategies for selecting seed experience and insight, aiming to provide LLM with more useful and relevant insight for better decision-making. Our observations also indicate that MSI exhibits better robustness when facing domain-shifting scenarios.