본 논문은 전통적인 강화학습의 데이터 의존성과 대규모 언어 모델(LLM)의 계획 능력 부족이라는 한계를 극복하기 위해, LLM과 Monte Carlo Tree Search (MCTS)를 통합한 새로운 접근 방식인 STRATEGIST를 제시합니다. STRATEGIST는 LLM을 사용하여 고수준 전략을 텍스트 형태로 생성하고, MCTS를 통해 이를 세분화하고 실행합니다. 훈련 데이터 없이 population-based self-play simulation을 통해 전략을 최적화하며, 부분 정보를 가진 경쟁적인 턴제 게임에서 효과적인 전략 학습을 보여줍니다. Game of Pure Strategy (GOPS)와 The Resistance: Avalon과 같은 다중 에이전트 숨겨진 신분 토론 게임에서 기존 강화학습 기반 에이전트, 다른 LLM 기반 기술, 기존 LLM 에이전트들을 능가하는 성능을 보이며, 인간 플레이어와 비슷한 수준의 성능을 달성합니다.
