AriGraph：利用情节记忆学习知识图世界模型以支持大型语言模型代理

生成式人工智能的进步拓宽了大型语言模型（LLMs）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环境交互中获得的知识并有效利用它。目前基于LLM的方法通过完整的观察历史、摘要或检索增强来利用过去的经验。然而，这些无结构的记忆表示不利于复杂决策所必需的推理和规划。在我们的研究中，我们提出了AriGraph，一种新颖的方法，代理在探索环境时构建一张融合语义记忆和情节记忆的记忆图。该图结构促进了与代理当前状态和目标相关的互联概念的高效联想检索，从而作为一种有效的环境模型，增强了代理的探索和规划能力。我们证明，配备了这种带有规划和决策增强的记忆架构的Ariadne LLM代理能够在TextWorld环境中以零样本的方式有效处理复杂任务。我们的方法在多种任务上明显优于诸如完整历史、摘要和检索增强生成等已建立的方法，包括First TextWorld Problems竞赛中的烹饪挑战以及新颖任务如房屋清洁和谜题寻宝。