SynWorld: Síntesis de Escenarios Virtuales para el Refinamiento del Conocimiento de Acciones Agénticas

SynWorld: Virtual Scenario Synthesis for Agentic Action Knowledge Refinement

April 4, 2025

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

cs.AI

Resumen

En la interacción entre agentes y sus entornos, los agentes expanden sus capacidades mediante la planificación y ejecución de acciones. Sin embargo, los agentes basados en LLM enfrentan desafíos significativos cuando se despliegan en entornos novedosos o se les exige navegar espacios de acción no convencionales. Para capacitar a los agentes a explorar entornos de manera autónoma, optimizar flujos de trabajo y mejorar su comprensión de las acciones, proponemos SynWorld, un marco que permite a los agentes sintetizar escenarios posibles con invocación de acciones de múltiples pasos dentro del espacio de acción y realizar exploración mediante Búsqueda de Árbol de Monte Carlo (MCTS) para refinar efectivamente su conocimiento de acciones en el entorno actual. Nuestros experimentos demuestran que SynWorld es un enfoque efectivo y general para aprender conocimiento de acciones en nuevos entornos. El código está disponible en https://github.com/zjunlp/SynWorld.

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.