大語言模型（Large Language Models, LLMs）的強大能力推動了 LLM Agent 的迅速發(fā)展。圍繞增強 LLM Agent 的能力，近期相關(guān)研究提出了若干關(guān)鍵組件或工作流。然而，如何將核心要素集成到一個統(tǒng)一的框架中，能夠進行端到端優(yōu)化，仍然是一個亟待解決的問題。

來自字節(jié)跳動 ByteDance Research 的研究人員提出了基于強化學(xué)習(xí)（Reinforcement Learning, RL）的 LLM Agent 框架 ——AGILE。該框架下，Agent 能夠擁有記憶、工具使用、規(guī)劃、反思、與外界環(huán)境交互、主動求助專家等多種能力，并且通過強化學(xué)習(xí)實現(xiàn)所有能力的端到端訓(xùn)練。尤其值得注意的是，AGILE 框架允許 Agent 在不自信時主動向人類專家尋求建議。這帶來了兩大優(yōu)勢：首先，Agent 在處理復(fù)雜問題時能夠持續(xù)保持高準(zhǔn)確率；其次，通過向人類學(xué)習(xí)，增強了其快速適應(yīng)新任務(wù)的泛化能力。

• 論文地址：https://arxiv.org/abs/2405.14751
• 代碼地址：https://github.com/bytarnish/AGILE

研究者讓 AGILE 框架在復(fù)雜問答任務(wù)中進行了驗證。在 ProductQA 與 MedMCQA 任務(wù)上，經(jīng)過 RL 訓(xùn)練后的 13B 模型或者 7B 模型能夠超越提示工程構(gòu)建的 GPT-4 Agent。

AGILE Agent 框架

如圖 1 (a) 所示，AGILE 框架包含四個核心模塊：LLM、記憶（Memory）、工具（Tools）和執(zhí)行器（Executor）。LLM 負(fù)責(zé)預(yù)測動作；記憶模塊記錄 Agent 的軌跡；工具模塊提供 Agent 可以調(diào)用的外部 API；執(zhí)行器會監(jiān)聽 LLM 的輸出，根據(jù) LLM 的輸出調(diào)用相應(yīng)的模塊執(zhí)行具體的操作，并將執(zhí)行操作得到的結(jié)果添加到 LLM 的上下文中。

圖 1 (b) 展示了 AGILE Agent 在電商問答場景中的一個示例。電商問答是一個復(fù)雜的實際應(yīng)用場景，面臨的挑戰(zhàn)包括需要海量商品的領(lǐng)域知識、靈活運用商品檢索工具、以及快速適應(yīng)不斷涌現(xiàn)的新商品。如圖 1 (b) 所示，AGILE Agent 會根據(jù)用戶的問題檢索記憶，如果無法確定問題的答案，Agent 會向人類專家尋求幫助。在獲得專家的反饋后，Agent 會反思并將新掌握的領(lǐng)域知識存儲在記憶中。在未來，面對新的問題時，Agent 能夠從記憶中檢索到這條知識，并基于這些知識直接給出準(zhǔn)確的答案。除此之外，AGILE Agent 也會根據(jù)用戶的問題選擇是否調(diào)用外部工具（如搜索、數(shù)據(jù)庫檢索），輔助生成最終的回答。

強化學(xué)習(xí)定義：LLM Agents 被定義為一個 token-level MDP（Markov Decision Process）。動作空間（Action space）由 LLM 的詞表構(gòu)成，LLM 生成的每一個 token 是一個動作，LLM 本身則作為 Agent 的策略模型（Policy model）。Agent 的狀態(tài)（State）由 LLM 上下文和記憶組成。在每個時刻，LLM 預(yù)測動作，執(zhí)行器根據(jù)預(yù)定義的邏輯完成狀態(tài)轉(zhuǎn)移，同時環(huán)境給予 Agent 相應(yīng)的獎勵（Reward）。

在 AGILE 框架下，Agent 有兩種策略學(xué)習(xí)方法。第一種是模仿學(xué)習(xí)，通過收集人類軌跡數(shù)據(jù)或更高級別 Agent 的軌跡數(shù)據(jù)，對 LLM 進行 SFT 訓(xùn)練。第二種是強化學(xué)習(xí)，通過定義獎勵函數(shù)，利用強化學(xué)習(xí)算法來訓(xùn)練 LLM。

此外，LLM Agent 可能會產(chǎn)生跨越數(shù)百萬個 tokens 的軌跡，這為直接訓(xùn)練帶來了挑戰(zhàn)。為了應(yīng)對這種長程依賴的問題，研究人員提出了一種片段級別的優(yōu)化算法。

主動尋求幫助：AGILE 框架允許 Agent 主動向外部的人類專家尋求幫助。這種機制有兩個優(yōu)勢：首先，當(dāng) Agent 遇到不確定的情況時，通過求助人類專家，確保其在實際應(yīng)用中達(dá)到高準(zhǔn)確率。其次，Agent 能夠通過對人類的反饋反思并積累知識，從而更快適應(yīng)新環(huán)境，提升其泛化能力。然而決定何時尋求幫助是一個復(fù)雜決策，它涉及到 Agent 的自我評估、人類反饋對未來的價值以及人類專家的成本。因此，標(biāo)注何時應(yīng)該求助是很難的。但在強化學(xué)習(xí)框架中，可以通過定義相關(guān)獎勵，將這種求助能力作為策略模型的一部分，在端到端訓(xùn)練中得到提升。

實驗結(jié)果

ProductQA

ProductQA 是一個商品問答任務(wù)。該數(shù)據(jù)集包含 26 個對應(yīng)不同商品類別的 QA 任務(wù)，每個任務(wù)平均包含 3,393 個問題。ProductQA 包括基于事實的問題、推理問題和商品推薦問題，它能夠全面評估 Agent 處理歷史信息和累積知識、利用工具、向人求助、自我評估和反思的能力。此外，訓(xùn)練和測試集由不同的任務(wù)構(gòu)成，以評估 Agent 在新商品問答上的泛化能力。

在商品問答（ProductQA）任務(wù)上，基于 Vicuna-13b 訓(xùn)練的 AGILE Agent（agile-vic13b-ppo）表現(xiàn)超過了 GPT-4（gpt4-prompt）與提升工程構(gòu)建的 GPT-4 Agent（agile-gpt4-prompt）。在使用了相當(dāng)?shù)那笾壤ˋdvice Rate）的情況下，agile-vic13b-ppo 的 acc 相比于 agile-gpt4-prompt 提升了 7.4%，在 Total Score 上提升了 9.2%。

從上圖可以看出，在執(zhí)行包含上千個問答的任務(wù)整個過程中，agile-vic13b-ppo 的 acc 持續(xù)穩(wěn)定地高于 agile-gpt4-prompt。同時尋求人類幫助的頻率（Advice Rate）隨著問答輪數(shù)的增加逐漸下降。此外，通過調(diào)整人類的咨詢成本（Seeking Advice Cost）和進行強化學(xué)習(xí)訓(xùn)練，AGILE Agent 可以有效實現(xiàn)準(zhǔn)確率與專家成本的權(quán)衡。

消融實驗結(jié)果顯示，記憶、反思、咨詢?nèi)祟惤ㄗh、工具使用、RL 訓(xùn)練在實現(xiàn)高性能的 AGILE Agent 中均具有重要作用。

MedMCQA

MedMCQA 是一個多項選擇的問答數(shù)據(jù)集，其問題來自醫(yī)學(xué)院入學(xué)考試。在 MedMCQA 任務(wù)上，基于 Meerkat-7b 訓(xùn)練的 AGILE Agent（agile-mek7b-ppo）表現(xiàn)優(yōu)于 GPT-4 Agent。準(zhǔn)確率達(dá)到了 85.2%，超過了之前的 SOTA 方法 ——GPT 4-MedPrompt 的 79.1%。消融實驗結(jié)果進一步驗證了記憶、咨詢?nèi)祟惤ㄗh、反思和 RL 訓(xùn)練的重要性。

更多研究細(xì)節(jié)，可參考原論文。

總結(jié)

AGILE是一種基于強化學(xué)習(xí)的LLM Agent框架。AGILE Agent具備擁有長期記憶、使用外部工具、向人類專家進行咨詢、反思等能力，并且所有能力可以進行端到端的統(tǒng)一優(yōu)化。AGILE的一個重要特點是Agent在遇到無法自行解決的問題時可以向人類專家咨詢，這種機制保證了應(yīng)用場景中對高準(zhǔn)確率的要求，同時增強了Agent的學(xué)習(xí)與泛化能力。實驗表明，經(jīng)過強化學(xué)習(xí)訓(xùn)練的13B或7B模型的Agent，其能力可以超過GPT-4 Agent。

團隊介紹

ByteDance Research 專注于人工智能領(lǐng)域的前沿技術(shù)研究，涵蓋了機器翻譯、視頻生成基礎(chǔ)模型、機器人研究、機器學(xué)習(xí)公平性、量子化學(xué)、AI 制藥、分子動力學(xué)等多技術(shù)研究領(lǐng)域，同時致力于將研究成果落地，為公司現(xiàn)有的產(chǎn)品和業(yè)務(wù)提供核心技術(shù)支持和服務(wù)。