SynWorld: エージェント的行動知識の洗練のための仮想シナリオ合成

SynWorld: Virtual Scenario Synthesis for Agentic Action Knowledge Refinement

April 4, 2025

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

cs.AI

要旨

エージェントと環境の相互作用において、エージェントは計画を立てて行動を実行することでその能力を拡張します。しかし、LLMベースのエージェントは、新しい環境に展開されたり、非従来型の行動空間をナビゲートする必要がある場合に、大きな課題に直面します。エージェントが環境を自律的に探索し、ワークフローを最適化し、行動の理解を深めることを可能にするために、我々はSynWorldを提案します。このフレームワークは、エージェントが行動空間内で多段階の行動呼び出しを用いて可能なシナリオを合成し、モンテカルロ木探索（MCTS）による探索を行い、現在の環境における行動知識を効果的に洗練することを可能にします。我々の実験は、SynWorldが新しい環境における行動知識を学習するための効果的で汎用的なアプローチであることを示しています。コードはhttps://github.com/zjunlp/SynWorldで公開されています。

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.