LLM 기반 에이전트가 새로운 환경이나 비전형적인 행동 공간에서 작동하는 데 어려움을 겪는다는 점을 해결하기 위해, 본 논문은 에이전트가 다단계 행동 호출을 통해 가능한 시나리오를 합성하고 몬테 카를로 트리 탐색(MCTS)을 수행하여 현재 환경에서의 행동 지식을 효과적으로 개선하는 SynWorld 프레임워크를 제안합니다. SynWorld는 에이전트가 환경을 자율적으로 탐색하고, 워크플로를 최적화하고, 행동에 대한 이해도를 높이는 데 도움을 줍니다. 실험 결과 SynWorld가 새로운 환경에서 행동 지식을 학습하는 효과적이고 일반적인 접근 방식임을 보여줍니다. 코드는 https://github.com/zjunlp/SynWorld 에서 이용 가능합니다.
