SynWorld: Sintesi di Scenari Virtuali per l'Affinamento della Conoscenza delle Azioni Agenti

SynWorld: Virtual Scenario Synthesis for Agentic Action Knowledge Refinement

April 4, 2025

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

cs.AI

Abstract

Nell'interazione tra agenti e i loro ambienti, gli agenti espandono le proprie capacità pianificando ed eseguendo azioni. Tuttavia, gli agenti basati su LLM affrontano sfide significative quando vengono impiegati in ambienti nuovi o quando devono navigare in spazi d'azione non convenzionali. Per consentire agli agenti di esplorare autonomamente gli ambienti, ottimizzare i flussi di lavoro e migliorare la loro comprensione delle azioni, proponiamo SynWorld, un framework che permette agli agenti di sintetizzare possibili scenari con invocazione di azioni multi-step all'interno dello spazio d'azione e di eseguire un'esplorazione tramite Monte Carlo Tree Search (MCTS) per affinare efficacemente la loro conoscenza delle azioni nell'ambiente corrente. I nostri esperimenti dimostrano che SynWorld è un approccio efficace e generale per apprendere la conoscenza delle azioni in nuovi ambienti. Il codice è disponibile all'indirizzo 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.