AgentEvolver: Towards Efficient Self-Evolving Agent System
Created by
Haebom
Category
Empty
저자
Yunpeng Zhai, Shuchang Tao, Cheng Chen, Anni Zou, Ziqian Chen, Qingxu Fu, Shinji Mai, Li Yu, Jiaji Deng, Zouying Cao, Zhaoyang Liu, Bolin Ding, Jingren Zhou
개요
본 논문은 대규모 언어 모델 (LLM) 기반의 자율 에이전트 개발의 비용과 비효율성을 해결하기 위해 AgentEvolver라는 자기 진화 에이전트 시스템을 제시합니다. AgentEvolver는 수동으로 구축된 데이터셋과 광범위한 임의 탐색을 필요로 하는 기존 방식의 한계를 극복하기 위해, (i) 자가 질문, (ii) 자가 탐색, (iii) 자가 귀속의 세 가지 시너지 효과 메커니즘을 통합합니다. 이를 통해 AgentEvolver는 확장 가능하고 비용 효율적이며 지속적으로 개선되는 에이전트 능력을 제공하며, 실험 결과 전통적인 강화 학습 기반 기반 모델보다 더 효율적인 탐색, 더 나은 샘플 활용, 더 빠른 적응을 달성합니다.
시사점, 한계점
•
시사점:
◦
LLM의 이해 능력과 추론 능력을 활용하여 자율 에이전트 학습을 주도합니다.
◦
수작업 데이터셋 의존도를 줄이는 호기심 기반 작업 생성 (자가 질문)을 제공합니다.
◦
경험 재사용 및 하이브리드 정책 지침을 통해 탐색 효율성을 향상시킵니다 (자가 탐색).
◦
궤적 상태와 액션의 기여도에 따라 차별화된 보상을 할당하여 샘플 효율성을 높입니다 (자가 귀속).
