一、结论写在前面

论文来自复旦自然语言处理实验室 & 复旦视觉与学习实验室

项目网站：https://lagentgym.github.io

AGENTGYM仓库：https://github.com/WooooDyy/AgentGym

二、论文的简单介绍

2.1 论文的背景

类似于人类学习，agent通过模仿开始获取基础知识和技能。随着发展，agent应能通过与不同环境的互动持续学习和适应未见任务。此外，它可能从自身及他人的经验中汲取丰富洞见和智慧，发展出一定程度的泛化能力。图1展示了这一演化过程。

             
图1：本文中基于通用能力LLM的agent自我进化示意图。agent首先根据人类监督进行行为克隆，然后跨环境和任务进行探索和学习，以实现自我进化

             
图2：AGENTGYM框架概览。该框架涵盖了跨越多个类别的十四个环境。每个环境都部署为HTTP服务，客户端提供封装的统一接口供agent使用，便于与环境交互。论文从多样化的环境中收集专家标注的轨迹，称为AGENTTRAJ。随后，论文让agent在该集合上进行行为克隆，以获得一个基础的通用能力agent。通过论文的AGENTEVOL方法，论文探索agent在不同环境和任务中的进化。最后，论文使用提出的基准套件AGENTEVAL对agent进行全面评估

2.2 AGENTGYM：平台、基准套件与轨迹集

以用户友好的方式为每个环境部署独立的服务，以防止冲突。客户端可以通过HTTP协议与环境通信。该架构的核心是控制器，它作为agent与环境服务之间交互的通道，为agent提供了一个封装的、统一的环境功能或操作接口。此外，论文还实现了诸如评估器、训练器和数据收集管道等用户友好的组件，以支持社区发展。    

指令收集与基准构建。论文收集了跨环境和任务的20509条指令和查询。对于已有大量指令的任务，如WebShop和ALFWorld，论文主要依赖其原始来源。对于指令较少的任务，如使用工具的任务，论文通过自指导和指令进化方法进行扩展，特别是通过提示GPT-4生成新指令[33; 34]。详情见附录C。然后，论文从每个环境中提取一个多样且具有挑战性的子集${\cal Q}_{eval}$，包含1160条指令，以构建基准套件AGENTEVAL，该套件能全面评估基于LLM的agent。剩余的指令集表示为Q = Uees Qe，其中表示环境e的剩余指令。

AGENTGYM是一个框架，旨在帮助社区轻松评估和开发基于大型语言模型（LLM）的通用能力agent。它具有多种交互环境及任务，采用统一的格式，即ReAct格式[35]。该框架支持实时反馈和并发处理，并易于扩展。论文包含了14个环境和89个任务，涵盖网页浏览、文字游戏、家务任务、数字游戏、具身任务、工具使用和编程等领域。这些任务对当前的LLM基agent具有挑战性。

•对于网页浏览任务，论文引入了WebArena（WA）和WebShop（WS）。

•在文字游戏中，论文包括了MAZE（MZ）和Wordle（WD）。论文选择ALFWorld（ALF）用于家务任务。

•在具身任务中，论文包含了Sci-World（Sci）和BabyAI（Baby）。论文选择TextCraft（TC）用于数字游戏。

•论文获取了Tool-Weather（WT）、Tool-Movie（MV）、Tool-Academia（AM）、Tool-Sheet（ST）和Tool-TODOList（TL）用于工具使用任务。论文建立了BIRD（BD）用于编程任务。

平台架构和组件。认识到不同agent环境固有的多样化依赖性，AGENTGYM以用户友好的方式为每个环境部署单独的服务，以防止冲突。客户端可以使用HTTP协议与环境通信。该架构的核心是控制器，它充当agent和环境服务之间交互的管道，为agent提供封装统一的环境功能或操作接口以供调用。此外，论文实现了用户友好的组件，如评估器、训练器和数据收集管道，以支持社区发展。

表1：AGENTGYM与其他agent框架的比较涵盖了几个方面：环境数量、交互平台的可用性及其使用、轨迹集的可用性、进化的支持及其模式    

表2：AGENTGYM的统计数据，包括任务类型数量、指令集大小、评估集大小、轨迹集大小（AGENTTRAJ和AGENTTRAJ-L）以及每个环境的平均回合数

轨迹收集与过滤。在AGENTGYM中，服务器提供包括任务描述、环境设置和问题在内的指令给agent。接下来，agent以ReAct风格与环境交互，直至任务完成。论文收集了SOTA模型（如GPT-4-Turbo）和众包注释的轨迹。

论文严格过滤轨迹，根据奖励或正确性确保数据质量，并获得一组6130个轨迹。这一集合，命名为AGENTTRAJ。为公平比较，论文使用相同的流程对所有指令进行注释和过滤，得到AGENTTRAJ-L以展示BC的性能上限。

表2展示了AGENTGYM框架的详细统计数据。

2.3 AGENTEVOL：通用LLM基础agent的综合演化

这里论文首先通过行为克隆训练一个基础的通用能力agent，使其具备在agent任务中的基本交互能力。在此基础上，论文初步探索了LLM基础agent在多个环境和任务中的全面演化。论文将算法总结在算法1中。

2.3.1 基于收集轨迹的行为克隆

行为克隆通过让LLM基础agent逐步模仿收集的专家轨迹来微调它们。实践中，论文期望agent能够完成适当的内部思考h和行动a。论文使用AGENTTRAJ（表示为）来训练一个具有基本指令遵循能力和先验知识的基础通用能力agent。

2.3.2 通过探索和学习的演化

在AGENTEVOL算法中，论文将这两个步骤称为探索步骤和学习步骤。

2.4 实验与讨论

2.4.1 实验设置

实现细节。所有实验均使用八块A100-80GB GPU进行。论文的主要骨干模型是Llama-2-Chat-7B。不同的环境服务部署在同一服务器的不同端口上。论文将迭代次数设为4。为了节省计算资源，每个指令在进化过程中只采样一次。

2.4.2主要结果

表3中的实验结果表明：    

2.4.3 讨论与分析

关于数据合并策略和迭代次数 的消融研究。在论文的实验中，论文将每次迭代中采样的轨迹与初始轨迹合并来训练agent，而不是将其与前一次迭代生成的轨迹合并。这里，论文进行了一项消融研究，以展示这种合并策略和迭代次数 的影响。实验结果如图 3 所示，与初始数据合并提供了更稳定的改进，而与前一次迭代轨迹合并导致性能波动，可能是由于过拟合。此外，随着 的增加，性能趋向于改善，但在后期的迭代中逐渐收敛。因此，论文选择 以平衡性能和效率。

关于样本数量 的消融研究。在探索步骤中，论文每迭代一次对每个指令进行一次采样。这里，论文对样本数量 进行了四项任务的消融研究。表 中的结果显示，性能随着 的增加而增加，但改进并不显著。因此，论文选择 以提高计算效率。    

图3：数据合并策略和迭代次数的消融研究。策略1表示将当前agent生成的轨迹与初始轨迹集合合并；策略2表示将当前轨迹与上一迭代生成的轨迹合并

探索范围的消融研究。在论文的实验中，首先使用Ds训练一个基础agent，然后让它探索更广泛的指令和任务范围。论文针对四个任务进行消融研究，以观察agent在BC阶段有限指令下的进化情况。表显示，即使在有限的范围内，基础agent的性能也有所提升，这可能归因于从agent中采样的更多样化轨迹。然而，改进并不显著，表明有效的进化需要一个更广泛的环境。    

不同模型的有效性。为了展示论文的方法在不同骨干模型上的泛化能力，论文在Llama-2-13B 和DeepSeek-Coder-1.3B 上进行了实验。整个进化过程仍然基于AGENTGYM。表中的实验结果显示，论文的AGENTEVOL在不同骨干模型上保持了其进化能力，实现了性能的超越。

表6：成功和失败轨迹的进化实验