AgentGen – 微軟聯合港大推出的提高AI大模型規劃能力的框架

AgentGen是什麼

AgentGen是香港大學與微軟聯合推出的AI項目框架，通過自動生成多樣化環境和任務，顯著提升了大語言模型（LLM）的規劃能力。AgentGen利用BI-EVOL方法，創建難度遞增的任務集，使8B參數的Llama-3模型在某些任務上接近GPT-4水平。AgentGen在領域內和領域外任務評估中表現出色，未來有望應用於機器人控制、智能家居等複雜規劃任務。

AgentGen的主要功能

• 自適應環境構建：框架能夠自主構思並創造出多樣化的虛擬環境，爲智能體提供豐富的交互場景。
• 智能任務定製：基於先進的語言模型，AgentGen能智能地定製任務，生成的環境能夠具有適應性。
• 動態難度調節：通過創新的BI-EVOL策略，框架能夠動態調整任務難度，促進智能體在不同複雜度的任務中學習和成長。
• 無需大量訓練數據：AgentGen的零樣本生成能力減少了對大規模訓練數據集的需求，加快了模型的訓練過程。
• 精準技能強化：通過指令微調，框架能夠精準地強化智能體在特定任務上的技能，提升其解決問題的能力。
• 全面性能監測：AgentGen通過細緻的性能評估體系，智能體能在各種任務中的表現達到最優。

AgentGen的技術原理

• 環境生成：AgentGen使用大語言模型（LLM）來生成環境規範，包括狀態空間、動作空間和轉移函數的定義。然後，通過代碼生成技術實現這些環境的具體代碼。
• 啓發式規則和語料庫：在環境生成過程中，AgentGen利用啓發式規則和多樣化的語料庫來指導LLM生成具有多樣性的環境。
• 任務生成：基於生成的環境，AgentGen進一步使用LLM生成相應的規劃任務，確保任務與環境相匹配。
• BI-EVOL方法：AgentGen採用雙向演化（BI-EVOL）方法來調整任務難度，包括easy-evol（簡化任務）和hard-evol（複雜化任務），形成難度遞增的任務集。
• 零樣本學習：在任務生成的初始階段，AgentGen通過零樣本學習的方式提示LLM生成一組初始規劃任務。
• 指令微調：AgentGen通過指令微調技術，使用合成的軌跡數據（動作-觀察對序列）對LLM進行微調，提升其規劃能力。
• 性能評估：AgentGen通過成功率和進度率等指標來評估模型在規劃任務上的表現，確保訓練的有效性。

AgentGen的項目地址

AgentGen的應用場景

• 機器人控制：在自動化和智能製造領域，AgentGen可以用於提高機器人的自主規劃和決策能力，使其能夠更有效地執行復雜的任務。
• 智能家居系統：AgentGen可以集成到智能家居系統中，幫助系統根據用戶的行爲和偏好自動調整設備設置，提高居住舒適度和能效。
• 個人助理：作爲個人助理，AgentGen可以幫助用戶進行日程安排、任務規劃和提醒，提高生活和工作效率。
• 交通規劃：AgentGen可以用於交通系統的優化，幫助規劃更合理的行車路線，減少擁堵，提高出行效率。
• 遊戲AI：在電子遊戲開發中，AgentGen可以用於生成更智能的非玩家角色（NPC），提供更豐富的遊戲體驗。