Агент MSI: Внедрение многоуровневого понимания во воплощенных агентов для улучшенного планирования и принятия решений

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

September 25, 2024

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

cs.AI

Аннотация

Долгосрочная память имеет важное значение для агентов, в которой прозорливость играет ключевую роль. Однако появление несущественной прозорливости и отсутствие общей прозорливости могут значительно подорвать эффективность прозорливости. Для решения этой проблемы в данной статье мы представляем Multi-Scale Insight Agent (MSI-Agent), воплощенного агента, разработанного для улучшения способности планирования и принятия решений LLMs путем эффективного обобщения и использования прозорливости на разных уровнях. MSI достигает этого через селектор опыта, генератор прозорливости и селектор прозорливости. Используя трехчастную конвейерную систему, MSI может генерировать задачно-специфичную и высокоуровневую прозорливость, хранить ее в базе данных, а затем использовать соответствующую прозорливость из нее для помощи в принятии решений. Наши эксперименты показывают, что MSI превосходит другую стратегию прозорливости при планировании GPT3.5. Более того, мы углубляемся в стратегии выбора исходного опыта и прозорливости, с целью предоставить LLM более полезную и актуальную прозорливость для лучшего принятия решений. Наши наблюдения также показывают, что MSI проявляет лучшую устойчивость при столкновении с сценариями с изменением домена.

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.