AgentGen

AgentGen是由香港大学与微软合作研发的AI项目框架，旨在显著提升大语言模型（LLM）的规划能力。该框架利用BI-EVOL方法生成难度递增的任务集，使较小规模的Llama-3模型在某些任务上接近GPT-4的表现。AgentGen在领域内和领域外任务评估中均表现出色，未来有望应用于机器人控制、智能家居等领域。 AgentGen具备多种核心功能。它能够自主构建多样化的虚拟环境，为智能体提供丰富的交互场景，并且可以根据需要智能地定制任务，确保环境的适应性。此外，通过动态难度调节机制，AgentGen能够逐步提升任务难度，从而促进智能体的学习和成长。同时，AgentGen还支持零样本生成，减少了对大规模训练数据集的需求，加快了模型的训练速度。通过指令微调技术，AgentGen能够精准地强化智能体在特定任务上的技能，提升其解决问题的能力。最后，AgentGen配备了全面的性能监测体系，确保智能体在各种任务中的表现达到最优。 AgentGen的技术原理主要包括环境生成、任务生成和动态难度调节等几个方面。环境生成使用大语言模型（LLM）生成环境规范，并通过代码生成技术实现具体环境的构建。任务生成基于生成的环境，确保任务与环境相匹配。AgentGen采用BI-EVOL方法调整任务难度，通过easy-evol和hard-evol策略形成难度递增的任务集。此外，AgentGen还采用了零样本学习和指令微调技术，以及通过成功率和进度率等指标评估模型在规划任务上的表现。 AgentGen的GitHub仓库地址为：https://github.com/soarllm/agentgen。其技术论文可以在arXiv平台上找到：https://arxiv.org/pdf/2408.00764。 AgentGen的应用场景广泛，包括但不限于机器人控制、智能家居系统、个人助理、交通规划和游戏AI等。