今天我要跟大家分享一篇很有意思的论文,题目是《Agent Workflow Memory》,也就是"Agent工作流记忆"。这篇论文提出了一种新方法,让AI助手(我们称之为Agent)能更好地完成复杂的网页任务。
背景:AI助手的挑战
首先,我们来聊聊这个研究的背景。现在的AI技术已经非常强大了,特别是像GPT这样的大语言模型(LLM),它们可以进行对话、回答问题,甚至可以帮我们完成一些简单的任务。但是,当面对复杂的、需要多个步骤才能完成的任务时,AI助手还是会遇到不少困难。
举个例子,假设我们让AI助手帮我们在网上订一张从北京到上海的机票。这个任务看似简单,但实际上涉及很多步骤:
打开航空公司网站 选择出发地和目的地 选择日期 筛选合适的航班 填写乘客信息 选择座位 支付订单
对于人类来说,我们可能已经订过很多次机票了,这些步骤我们烂熟于心。但对AI助手来说,每次执行这样的任务都像是全新的体验。它可能会在某些步骤卡住,或者忘记了重要的步骤。
研究人员发现,现有的AI助手主要有两个问题:
缺乏可重用的工作流程:AI助手无法像人类那样,从过去的经验中提取出通用的工作流程,并在新任务中灵活运用。
无法从失败中学习:每次执行任务时,AI助手都是从头开始,无法利用之前成功或失败的经验来改进自己的表现。
研究目标:让AI助手更聪明
基于这些挑战,研究者提出了一个非常有趣的想法:能不能让AI助手也像人类一样,能够学习、记忆和使用工作流程呢?
这就是本篇论文的核心目标:开发一种方法,让AI助手能够从过去的经验中提取出可重用的工作流程,并在未来的任务中灵活运用这些工作流程。
研究者们希望通过这种方法,AI助手可以:
更高效地完成复杂任务 在不同的网站和领域之间更好地泛化 随着经验的积累不断提升自己的能力
那么他们是如何实现这个目标的呢?这就要说到本文的核心方法了:Agent Workflow Memory(AWM),也就是"Agent工作流记忆"。
AWM的核心思想:工作流记忆
Agent Workflow Memory (AWM)的核心思想是让AI助手能够像人类一样,从过去的经验中学习、记忆和使用工作流程。但什么是"工作流"呢?让我们先来理解这个概念。
什么是工作流?
在AWM中,工作流(Workflow)是指完成某个任务或子任务的一系列步骤。它包含两个主要部分:
工作流描述(Workflow Description): 一段简短的文本,描述这个工作流的目标或功能。 工作流轨迹(Workflow Trajectory): 一系列具体的步骤,包括观察环境、推理和执行动作。
举个例子,假设我们有一个"搜索产品"的工作流,它可能看起来像这样:
## 工作流描述: 在电商网站搜索特定产品
工作流轨迹:
1. [观察] 当前页面显示搜索框
2. [推理] 我需要在搜索框中输入产品名称
3. [动作] 在搜索框中输入"{产品名称}"
4. [观察] 搜索结果页面加载完成
5. [推理] 我需要查看搜索结果并选择最相关的产品
6. [动作] 点击最相关的产品链接
这个工作流描述了在电商网站搜索产品的通用步骤,可以适用于多种不同的产品和网站。
AWM的工作原理
现在我们了解了工作流的概念,让我们来看看AWM是如何工作的。AWM的核心流程包括三个主要步骤:
工作流提取(Workflow Induction) 工作流整合(Workflow Integration) 工作流使用(Workflow Utilization)
让我们逐一详细了解这些步骤。
1. 工作流提取 (Workflow Induction)
在这个步骤中,AWM会从AI助手过去执行任务的经验中提取出可重用的工作流。这个过程可以通过两种方式进行:
a) 基于规则的提取: 使用预定义的规则来识别和提取常见的行为模式。b) 基于语言模型的提取: 使用大型语言模型(如GPT)来分析和总结任务执行过程,生成抽象的工作流。
研究者发现,基于语言模型的提取方法通常能产生更抽象、更通用的工作流,因此在实验中表现更好。
当然可以。工作流提取（Workflow Induction）是AWM方法的核心步骤之一，论文中详细描述了两种主要的实现方式：基于规则的方法和基于语言模型的方法。我们来深入了解一下这两种方法的具体实现细节。
1. 基于规则的方法（Rule-based Induction）
基于规则的方法主要包括两个步骤：经验去重和无效动作过滤。
1.1 经验去重
目的：从多个相似的任务执行经验中提取出独特的工作流。
实现步骤：
提取动作序列：
例如，从轨迹 CLICK('12') → CLICK('30') → TYPE('44', "cat")中提取出CLICK → CLICK → TYPE。
按动作序列分组：
将具有相同动作序列的经验分到一组。 随机选择：
从每组中随机选择n个经验（默认n=1）作为该组的代表。 （针对WebArena）额外的模板去重：
如果有任务模板信息，再按模板分组。 从每个模板组中随机选择n个经验（默认n=1）。 设定规则：
例如，CLICK和TYPE动作的第一个参数必须是字符串格式的整数（代表环境中元素的ID）。 应用规则：
遍历每个动作，检查是否符合规则。 移除不符合规则的动作。 生成最终工作流：
保留经过过滤后的有效动作序列作为工作流。 任务描述：要求模型从给定的网页导航任务列表中提取常见工作流。 输入格式说明：每个任务包含一个自然语言指令和一系列解决任务的动作。 输出要求： 找出多个任务中重复出现的动作子集。 将每个重复子集提取为一个工作流。 每个工作流应该是常用的子例程，至少包含两个步骤。 使用描述性变量名代替具体的输入文本或按钮字符串。
1.2 无效动作过滤
目的：移除无法在环境中成功执行的动作步骤。
实现步骤：
示例：输入轨迹：CLICK(12) → CLICK('12') → CLICK('30') → TYPE(44, "cat") → TYPE('44', "cat")输出工作流：CLICK('12') → CLICK('30') → TYPE('44', "cat")
2. 基于语言模型的方法（LM-based Induction）
基于语言模型的方法利用大型语言模型（如GPT）来生成更抽象、更通用的工作流。
2.1 提示工程（Prompt Engineering）
研究者设计了特殊的提示模板，引导语言模型从给定的任务经验中提取工作流。
提示模板的关键点：
Givenalistofwebnavigationtasks,yourtaskistoextractthecommonworkflows.
Eachgiventaskcontainsanaturallanguageinstruction,andaseriesofactionstosolvethetask.Youneedtofindtherepetitivesubsetofactionsacrossmultipletasks,andextracteachofthemoutasaworkflow.
Eachworkflowshouldbeacommonlyreusedsub-routineofthetasks.Donotgeneratesimilaroroverlappingworkflows.Eachworkflowshouldhaveatleasttwosteps.Representthenon-fixedelements(inputtext,buttonstrings)withdescriptivevariablenamesasshownintheexample.
2.2 工作流生成
语言模型基于提供的任务经验和提示，生成抽象的工作流。
生成的工作流通常包含：
工作流描述：简要说明工作流的目标或功能。 工作流轨迹：包含多个步骤，每个步骤包括：
环境描述：当前网页状态的文本描述。 推理过程：解释为什么要执行下一步动作。 具体动作：可执行的程序化动作。
示例工作流：
## 在电商网站搜索产品
工作流描述：此工作流用于在电商网站上搜索特定产品。
工作流轨迹：
[环境描述] 当前页面显示搜索框。
[推理] 我需要在搜索框中输入产品名称。
[动作] fill('搜索框ID', '{产品名称}')
[环境描述] 搜索结果页面已加载。
[推理] 我需要点击最相关的产品链接。
[动作] click('{最相关产品链接ID}')
3. 两种方法的比较
研究者发现，基于语言模型的方法通常能产生更好的结果：
更抽象：生成的工作流更容易泛化到不同的任务和网站。 更细粒度：能够捕捉到更精细的操作模式。 更灵活：可以根据上下文生成适应性更强的工作流。
然而，基于规则的方法也有其优势：
计算效率高：不需要大型语言模型，处理速度更快。 确定性：结果更可预测，便于调试和优化。
在实际应用中，研究者主要使用基于语言模型的方法，因为它能产生更高质量、更通用的工作流，从而在各种测试场景中取得更好的性能。
通过这种精心设计的工作流提取过程，AWM能够从AI助手的历史经验中学习到有用的操作模式，这些模式后续可以被用来指导AI助手更有效地完成新的任务。这就是AWM方法效果显著的关键所在。
2. 工作流整合 (Workflow Integration)
一旦提取出工作流,AWM会将这些工作流整合到AI助手的记忆中。这个过程就像是给AI助手一本"操作手册",里面包含了各种常见任务的执行步骤。
3. 工作流使用 (Workflow Utilization)
当AI助手面对新任务时,它会先查阅自己的"操作手册",看看有没有适用的工作流。如果找到了相关的工作流,AI助手就会参考这个工作流来执行任务,而不是从零开始摸索。
AWM的两种工作模式
AWM有两种主要的工作模式:离线模式(Offline)和在线模式(Online)。
离线模式(AWM Offline):
在任务执行之前,使用已有的训练数据来提取工作流。 适用于有大量高质量训练数据的场景。 优点是可以提前准备好工作流,执行任务时更快。
在线模式(AWM Online):
在执行任务的过程中实时提取和使用工作流。 适用于没有现成训练数据,或者任务环境经常变化的场景。 优点是可以不断学习和适应新的任务环境。
这两种模式各有优势,研究者在不同的实验场景中都进行了测试。
到这里,我们已经对AWM的核心思想和工作原理有了基本的了解。在下一部分,我们将看看研究者是如何评估AWM的效果的,以及它在实际任务中表现如何。
AWM的实验评估
研究者们为了全面测试AWM的效果,选择了两个主要的网页导航基准测试:WebArena和Mind2Web。这两个测试集涵盖了各种不同类型的网页任务,从简单的信息查找到复杂的多步骤操作都有。让我们来看看AWM在这些测试中的表现。
WebArena测试
##shopping:BrowseProductsinaSpecificCategory
Tobrowseproductsinaspecificcategory,Ineedtonavigatetotherelevantmaincategory.Iwillstartbyhoveringoverthemaincategorymenuitemtorevealthesubcategories.
hover(’maincategoryid’)
Tobrowseproductsinthespecificsubcategory,Ineedtoclickonthesubcategorylink.click(’subcategoryid’)
WebArena是一个包含812个网页导航任务的测试集,涉及5个不同的网站,包括电子商务、社交论坛、软件开发协作平台和内容管理系统等。这个测试的特点是它可以严格评估AI助手执行任务的功能正确性。
实验设置
研究者使用了GPT-4作为基础模型,采用AWM的在线模式(AWM Online)进行测试。这意味着AI助手在执行测试任务的过程中,会不断学习和使用新的工作流。
主要结果
整体成功率:
AWM: 35.5% 基准方法(BrowserGym): 23.5% 相对提升: 51.1%
平均步骤数:
AWM: 5.9步 基准方法: 7.9步
这些结果表明,AWM不仅显著提高了任务完成的成功率,还减少了完成任务所需的步骤数,使AI助手的操作更加高效。
跨模板泛化能力
研究者还专门测试了AWM在不同任务模板之间的泛化能力。结果显示,即使面对全新的任务类型,AWM仍然保持了较高的成功率(33.2%),远超基准方法(20.5%)。
Mind2Web测试
#travel:enterflightlocations
Giventhatyouareontheflightbookingpage,thisworkflowentersthedepartureanddestinationcity/airportforyourflight.
[link]FromDepartureAirportorCityYourOrigin−>CLICK[textbox]OriginCityorAirport−>TYPE:{your-origin-city}
[link]{best-popup-option}−>CLICK
[link]ToDestinationAirportorCityYourDestination−>CLICK[textbox]DestinationCityorAirport−>TYPE:{your-destination-city}[link]{best-popup-option}−>CLICK
Mind2Web是另一个重要的测试集,它强调了跨任务、跨网站和跨领域的泛化能力。这个测试集包含了1000多个任务,涉及200多个不同的网站和多个领域(如旅行、购物、社交媒体等)。
实验设置
研究者在Mind2Web上同时测试了AWM的离线模式(AWM Offline)和在线模式(AWM Online)。
主要结果
跨任务测试:
AWM Offline (GPT-4): 45.1% 步骤成功率 基准方法(MindAct): 36.2% 步骤成功率 相对提升: 24.6%
跨网站测试:
AWM Online: 33.9% 步骤成功率 基准方法: 30.1% 步骤成功率 绝对提升: 3.8个百分点
跨领域测试:
AWM Online: 35.5% 步骤成功率 基准方法: 18.6% 步骤成功率 绝对提升: 16.9个百分点
这些结果清楚地表明,AWM在各种不同的场景下都能显著提升AI助手的表现,特别是在跨领域的任务中,improvement非常显著。
结果分析
通过这些实验,我们可以得出以下几个重要的结论:
显著提升性能: AWM无论在哪种测试场景下,都能显著提升AI助手的任务完成能力。
更高效的执行: 使用AWM的AI助手通常能用更少的步骤完成任务,这说明它学会了更有效的操作方式。
强大的泛化能力: AWM展现出了优秀的跨任务、跨网站和跨领域泛化能力,这意味着它学到的工作流具有广泛的适用性。
在线学习的优势: 在一些场景下,特别是面对全新的领域时,AWM的在线模式表现得更好,说明实时学习和适应的能力非常重要。
基础模型的重要性: 实验结果显示,使用更强大的基础模型(如从GPT-3.5升级到GPT-4)可以进一步提升AWM的效果。