Agent MSI : Intégration de l'Analyse Multi-Échelle dans les Agents Incarnés pour une Planification et une Prise de Décision Supérieures

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

September 25, 2024

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

cs.AI

Résumé

La mémoire à long terme est significative pour les agents, dans laquelle les intuitions jouent un rôle crucial. Cependant, l'émergence d'intuitions non pertinentes et le manque d'intuitions générales peuvent grandement compromettre l'efficacité des intuitions. Pour résoudre ce problème, dans cet article, nous présentons l'Agent d'Intuition Multi-Échelle (MSI-Agent), un agent incarné conçu pour améliorer la planification et la prise de décision des LLMs en résumant et en utilisant efficacement les intuitions à différentes échelles. MSI réalise cela à travers le sélecteur d'expérience, le générateur d'intuition et le sélecteur d'intuition. En exploitant un pipeline en trois parties, MSI peut générer des intuitions spécifiques à la tâche et de haut niveau, les stocker dans une base de données, puis utiliser les intuitions pertinentes pour aider à la prise de décision. Nos expériences montrent que MSI surpasse une autre stratégie d'intuition lors de la planification par GPT3.5. De plus, nous approfondissons les stratégies de sélection d'expérience et d'intuition initiales, visant à fournir aux LLM des intuitions plus utiles et pertinentes pour une meilleure prise de décision. Nos observations indiquent également que MSI présente une meilleure robustesse face à des scénarios de changement de domaine.

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.