SynWorld: 에이전트 행동 지식 정제를 위한 가상 시나리오 합성

SynWorld: Virtual Scenario Synthesis for Agentic Action Knowledge Refinement

April 4, 2025

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

cs.AI

초록

에이전트와 환경 간의 상호작용에서, 에이전트는 계획을 세우고 행동을 실행함으로써 자신의 능력을 확장합니다. 그러나 LLM 기반 에이전트는 새로운 환경에 배치되거나 비전통적인 행동 공간을 탐색해야 할 때 상당한 어려움에 직면합니다. 에이전트가 환경을 자율적으로 탐색하고, 워크플로를 최적화하며, 행동에 대한 이해를 강화할 수 있도록 하기 위해, 우리는 SynWorld라는 프레임워크를 제안합니다. 이 프레임워크는 에이전트가 행동 공간 내에서 다단계 행동 호출을 통해 가능한 시나리오를 합성하고, 현재 환경에서 행동 지식을 효과적으로 정제하기 위해 몬테카를로 트리 탐색(MCTS)을 수행할 수 있게 합니다. 우리의 실험 결과는 SynWorld가 새로운 환경에서 행동 지식을 학습하는 데 효과적이고 일반적인 접근 방식임을 보여줍니다. 코드는 https://github.com/zjunlp/SynWorld에서 확인할 수 있습니다.

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.