MSI-Agent: Het integreren van Multi-Scale Inzicht in Geïncarneerde Agenten voor Superieure Planning en Besluitvorming

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

September 25, 2024

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

cs.AI

Samenvatting

Lange-termijngeheugen is significant voor agenten, waar inzichten een cruciale rol spelen. Echter, het opkomen van irrelevante inzichten en het gebrek aan algemene inzichten kunnen de effectiviteit van inzichten aanzienlijk ondermijnen. Om dit probleem op te lossen, introduceren we in dit artikel de Multi-Scale Insight Agent (MSI-Agent), een belichaamde agent ontworpen om de plannings- en besluitvormingsvaardigheden van LLM's te verbeteren door inzichten effectief samen te vatten en te gebruiken over verschillende schalen. MSI bereikt dit door middel van de ervaringsselecteur, inzichtgenerator en inzichtselecteur. Door gebruik te maken van een drievoudige pijplijn kan MSI taakspecifieke en hoog-niveau inzichten genereren, deze opslaan in een database en vervolgens relevante inzichten daaruit gebruiken om te helpen bij besluitvorming. Onze experimenten tonen aan dat MSI beter presteert dan een andere inzichtstrategie bij het plannen met GPT3.5. Bovendien gaan we dieper in op de strategieën voor het selecteren van initiële ervaring en inzicht, met als doel LLM te voorzien van meer nuttige en relevante inzichten voor betere besluitvorming. Onze observaties geven ook aan dat MSI betere robuustheid vertoont bij het omgaan met domeinverschuivende scenario's.

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.