SynWorld: Virtuele Scenario-synthese voor de Verfijning van Agentief Actiekennis

SynWorld: Virtual Scenario Synthesis for Agentic Action Knowledge Refinement

April 4, 2025

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

cs.AI

Samenvatting

In de interactie tussen agenten en hun omgevingen breiden agenten hun capaciteiten uit door acties te plannen en uit te voeren. LLM-gebaseerde agenten worden echter geconfronteerd met aanzienlijke uitdagingen wanneer ze worden ingezet in nieuwe omgevingen of wanneer ze onconventionele actieruimtes moeten navigeren. Om agenten in staat te stellen omgevingen autonoom te verkennen, workflows te optimaliseren en hun begrip van acties te vergroten, stellen we SynWorld voor, een raamwerk dat agenten in staat stelt mogelijke scenario's te synthetiseren met multi-stap actie-aanroeping binnen de actieruimte en Monte Carlo Tree Search (MCTS)-verkenning uit te voeren om hun actiekennis effectief te verfijnen in de huidige omgeving. Onze experimenten tonen aan dat SynWorld een effectieve en algemene benadering is voor het leren van actiekennis in nieuwe omgevingen. Code is beschikbaar op https://github.com/zjunlp/SynWorld.

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.