AriGraph: Learning Knowledge Graph World Models with Episodic Memory for LLM Agents

本文是LLM系列文章，针对《AriGraph: Learning Knowledge Graph World Models with Episodic Memory for LLM Agents》的翻译。

摘要

生成式人工智能的进步拓宽了大型语言模型（LLM）在自主代理开发中的潜在应用。实现真正的自主性需要积累和更新从与环境的交互中获得的知识，并有效地利用它。目前基于LLM的方法利用过去的经验，使用完整的观察历史、总结或检索增强。然而，这些非结构化的记忆表示并不能促进复杂决策所必需的推理和规划。在我们的研究中，我们介绍了AriGraph，这是一种新方法，其中代理在探索环境的同时构建了一个整合语义和情景记忆的记忆图。这种图结构有助于高效地关联检索与代理当前状态和目标相关的相互关联的概念，从而作为一个有效的环境模型，增强代理的探索和规划能力。我们证明，我们的Ariadne LLM代理配备了这种通过规划和决策增强的拟议内存架构，能够在TextWorld环境中在零样本的基础上有效地处理复杂任务。我们的方法在各种任务中明显优于现有的方法，如完整历史、摘要和检索增强生成，包括来自First TextWorld Problems比赛的烹饪挑战和房屋清洁和益智寻宝等新任务。这项工作的代码可以在GitHub上找到。

1 引言

2 AriGraph世界模型

3 Ariadne认知架构

4 实验和结果

5 相关工作

6 结论

本文介绍了Ar