大規模言語モデルのためのエージェンティック環境工学：環境モデリング、合成、評価、および応用に関する調査

要旨

環境は、大規模言語モデル（LLM）に基づくエージェントにとって、多様なシナリオにおける対話型システムとして機能し、モデル能力の継続的な進化を促進する上で極めて重要な役割を果たしている。しかしながら、この重要性にもかかわらず、既存の研究には体系的な分類と深い分析が欠けている。本論文は、環境工学のライフサイクルの観点から、エージェント環境に関する現在の研究を体系的に調査し、そのモデル化、合成、評価、応用を網羅する。具体的には、まず8つの属性と8つの領域の観点から代表的な環境を紹介し、それらの発展経路の詳細な分析と中核的能力の明確化を行う。次に、自動環境合成については、記号的合成とニューラル合成という2つのパラダイムを導入する。また、各パラダイムにおける異なる環境評価手法も示す。第三に、エージェント-環境共進化の観点から、対応する環境応用について議論する。具体的には、本論文は動的環境におけるエージェント進化の主要な経路を、記憶中心の経験進化、オーケストレーション中心のワークフロー進化、軌跡中心のオフライン進化、探索中心のオンライン進化という4つの補完的な観点から特徴付ける。さらに、環境進化の3つのパラダイム、すなわちニューラル駆動、難易度駆動、スケーリング駆動のアプローチを特定する。最後に、Environment-as-a-Service、マルチエージェント環境、ニューラルシンボリック環境など、有望ないくつかの将来方向について議論する。

English

Environments serve as interactive systems for large language model (LLM) based agents across diverse scenarios and play a crucial role in driving the continual evolution of model capabilities. Despite this importance, existing work lacks a systematic categorization and deep analysis. This paper systematically studies current researches on agentic environments from the perspective of the environment engineering lifecycle, covering their modeling, synthesis, evaluation and application. Specifically, the paper first introduces representative environments from the perspectives of eight attributes and eight domains, providing detailed analyses of their development paths and highlighting their core capabilities. Second, for automated environment synthesis, two paradigms are introduced, such as symbolic synthesis and neural synthesis. This paper also shows different environment evaluation methods in each paradigm. Thirdly, the corresponding environment applications from the perspective of agent-environment co-evolution are discussed. In specific, the paper characterizes the primary pathways for agent evolution in dynamic environments from four complementary perspectives: memory-centric experience evolution, orchestration-centric workflow evolution, trajectory-centric offline evolution, and exploration-centric online evolution. And three paradigms of environment evolution are identified, namely neural-driven, difficulty-driven, and scaling-driven approaches. At last, several promising future directions are discussed, including Environment-as-a-Service, Multi-agent Environments, and Neural-Symbolic Environments.