Agente MSI: Incorporando Visão Multiescala em Agentes Incorporados para um Planejamento e Tomada de Decisão Superiores

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

September 25, 2024

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

cs.AI

Resumo

A memória de longo prazo é significativa para agentes, nos quais insights desempenham um papel crucial. No entanto, o surgimento de insights irrelevantes e a falta de insight geral podem minar significativamente a eficácia do insight. Para resolver esse problema, neste artigo, apresentamos o Agente de Insight Multi-Escala (MSI-Agent), um agente incorporado projetado para melhorar a capacidade de planejamento e tomada de decisão de LLMs, resumindo e utilizando insight de forma eficaz em diferentes escalas. O MSI alcança isso por meio do seletor de experiência, gerador de insight e seletor de insight. Aproveitando um pipeline de três partes, o MSI pode gerar insight específico para tarefas e de alto nível, armazená-lo em um banco de dados e, em seguida, usar o insight relevante dele para auxiliar na tomada de decisões. Nossos experimentos mostram que o MSI supera outra estratégia de insight ao planejar com o GPT3.5. Além disso, exploramos as estratégias para selecionar experiência inicial e insight, com o objetivo de fornecer mais insight útil e relevante para LLM para uma melhor tomada de decisão. Nossas observações também indicam que o MSI demonstra uma melhor robustez ao enfrentar cenários de mudança de domínio.

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.