Kernkonzepte
ConAgents ist ein kooperatives und interaktives Agentenframework, das die Effizienz des Werkzeuglernens verbessert.
Zusammenfassung
Abstract:
Werkzeuglernen stärkt große Sprachmodelle als Agenten, um externe Werkzeuge zur Erweiterung ihrer Fähigkeiten zu nutzen.
Bestehende Methoden verwenden einen einzelnen Agenten auf Basis von LLM, um Werkzeuge auszuwählen und auszuführen.
Einleitung:
Große Sprachmodelle haben Grenzen wie veraltete Informationen.
Tool Learning soll LLMs mit verschiedenen Hilfsmitteln ausstatten.
Methodik:
ConAgents modularisiert den Workflow in Grounding, Execution und Observing Agents.
Iterative Kalibrierung ermöglicht es den Agenten, sich basierend auf dem Feedback aus der Umgebung anzupassen.
Ergebnisse und Analyse:
ConAgents übertrifft alle Baselines in drei Datensätzen.
Die menschliche Bewertung zeigt, dass ConAgents in der Ausführbarkeit und im Parsing korrekt ist.
Ablationsstudie:
Entfernen des Observing Agents führt zu einem Rückgang der Erfolgsrate.
Entfernen der iterativen Kalibrierung führt zu einem Rückgang der Erfolgsrate und des korrekten Pfads.
Fallstudie:
ConAgents ist effektiver bei der Ausführung verschiedener Werkzeuge und der Integration der Ergebnisse.
Diskussion:
Qualitative Analyse für die maximale Anzahl von Iterationen zeigt eine Verbesserung der Erfolgsrate.
Effizienzanalyse zeigt, dass ConAgents weniger Token verbraucht als starke Baselines.
Schlussfolgerungen:
ConAgents verbessert die Effizienz des Werkzeuglernens durch kooperative Agenten.
Statistiken
Wir schlagen ConAgents vor, die eine 6-Punkte-Verbesserung gegenüber dem SOTA-Baseline aufweisen.
Zitate
"Tool Learning stärkt große Sprachmodelle als Agenten, um externe Werkzeuge zur Erweiterung ihrer Fähigkeiten zu nutzen." - Abstract