MSI-Agent: Integrazione dell'Approccio Multi-Scala negli Agenti Incarnati per una Pianificazione e una Presa di Decisioni Superiori

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

September 25, 2024

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

cs.AI

Abstract

La memoria a lungo termine è significativa per gli agenti, in cui le intuizioni svolgono un ruolo cruciale. Tuttavia, l'emergere di intuizioni non rilevanti e la mancanza di intuizioni generali possono compromettere notevolmente l'efficacia delle intuizioni. Per risolvere questo problema, in questo articolo presentiamo il Multi-Scale Insight Agent (MSI-Agent), un agente incorporato progettato per migliorare la capacità di pianificazione e decisione degli LLMs mediante la sintesi e l'utilizzo efficace delle intuizioni attraverso diverse scale. MSI raggiunge questo obiettivo attraverso il selettore di esperienze, il generatore di intuizioni e il selettore di intuizioni. Sfruttando un pipeline a tre parti, MSI può generare intuizioni specifiche per compiti e di alto livello, memorizzarle in un database e quindi utilizzare le intuizioni rilevanti per aiutare nella presa di decisioni. I nostri esperimenti mostrano che MSI supera un'altra strategia di intuizione nella pianificazione da parte di GPT3.5. Inoltre, approfondiamo le strategie per la selezione di esperienze iniziali e intuizioni, mirando a fornire agli LLM intuizioni più utili e pertinenti per una migliore presa di decisioni. Le nostre osservazioni indicano anche che MSI mostra una maggiore robustezza di fronte a scenari di cambiamento di dominio.

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.