精选今天0 投票
OCM：面向智能体任务的对象中心环境建模方法
大型语言模型（LLM）智能体可以通过积累经验来提升性能，但传统的自由文本记忆随着交互增长而变得难以维护、验证和复用。近期符号化方法尝试学习可执行技能或程序化世界模型，但往往局限于局部过程或假设简化的动态环境。针对这一挑战，来自研究者提出了一种名为**对象中心环境建模（OCM）**的新框架，将经验组织为可执行的对象中心环境模型，为智能体提供更结构化的记忆与推理基础。
OCM的核心机制
OCM维护两个相互关联的代码库：
- 对象知识：将环境实体和机制定义为Python类，形成对世界的结构化描述。
- 过程知识：记录可复用的交互模式，这些模式必须导入并使用对象模型。
在在线设置中，每个回合结束后，OCM会反思轨迹，更新两个知识库，并验证所有过程能否在更新后的对象模型上成功执行。未来交互时，智能体采用渐进式知识披露策略：先检查紧凑的代码签名，仅在需要时才阅读完整源代码，从而平衡效率与信息深度。
实验表现与意义
实验结果表明，OCM在多个基准测试中取得了最佳平均排名，并显著减少了无效动作。这证明了智能体能够通过构建对象中心环境模型受益，不仅提升了任务完成效率，还增强了行为的可解释性和可迁移性。
OCM的提出为LLM智能体的长期记忆与技能学习提供了新的思路。与传统符号方法相比，它强调对环境的对象级抽象，使模型能够更灵活地适应复杂动态场景，同时保持代码的可执行性和验证性。未来，该框架有望在机器人操作、游戏AI和虚拟助手等需要持续交互的领域发挥重要作用。