SynWorld : Synthèse de scénarios virtuels pour l'affinement des connaissances sur les actions agentiques

SynWorld: Virtual Scenario Synthesis for Agentic Action Knowledge Refinement

April 4, 2025

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

cs.AI

Résumé

Dans l'interaction entre les agents et leurs environnements, les agents développent leurs capacités en planifiant et en exécutant des actions. Cependant, les agents basés sur des modèles de langage (LLM) rencontrent des défis substantiels lorsqu'ils sont déployés dans des environnements nouveaux ou lorsqu'ils doivent naviguer dans des espaces d'actions non conventionnels. Pour permettre aux agents d'explorer de manière autonome les environnements, d'optimiser les workflows et d'améliorer leur compréhension des actions, nous proposons SynWorld, un cadre qui permet aux agents de synthétiser des scénarios possibles avec une invocation d'actions multi-étapes dans l'espace d'actions et d'effectuer une exploration par recherche arborescente de Monte Carlo (MCTS) pour affiner efficacement leur connaissance des actions dans l'environnement actuel. Nos expériences démontrent que SynWorld est une approche efficace et générale pour l'apprentissage des connaissances d'action dans de nouveaux environnements. Le code est disponible à l'adresse 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.