论文题目：KnowAgent: Knowledge-Augmented Planning for LLM-Based Agents论文链接：https://arxiv.org/pdf/2403.03101.pdf已开源：https://github.com/zjunlp/KnowAgent
大型语言模型（LLMs）在复杂推理任务中展现出了巨大的潜力，但在处理更为复杂的挑战时，尤其是在通过生成可执行动作与环境互动时，它们的表现却不尽如人意。这种不足主要源于语言代理中缺乏内置的行动知识，这无法在任务解决过程中有效指导规划轨迹，导致规划幻觉。为了解决这个问题，提出了KnowAgent，旨在通过整合显式的行动知识（Action Knowledge）来增强大型语言模型（LLMs）的规划能力。KnowAgent通过使用行动知识库和知识型自学习策略，在规划过程中约束行动路径，从而实现更合理的轨迹合成，并提高Agent的规划性能。
KnowAgent的框架包括三个核心部分：行动知识库的构建、行动知识到文本的转换以及规划路径的生成。KnowAgent能够引导模型生成合理的行动轨迹，并在迭代过程中不断优化模型的理解能力和应用行动知识的能力。
KnowAgent的三个关键步骤详细内容：
首先，创建了一个广泛的知识库，它融合了与特定任务相关的行动规划知识。这个数据库作为一个外部信息库，指导模型的行动生成过程。 随后，通过将行动知识转换为文本，使模型能够深入理解和利用这些知识来创建行动轨迹。 最后，通过自学习阶段，使用模型迭代过程中开发的轨迹来不断提高其对行动知识的理解和应用。这个过程不仅增强了代理的规划能力，还提高了它们在复杂情况下应用的潜力。
KnowAgent的路径生成过程
上图说明了从行动知识到文本的转换过程。最初，通过确定与任务特定需求相关的行动来建立行动知识库，利用先前的数据集分析和大型语言模型（LLMs）的固有知识。然后将这些信息转换为文本格式，以便于后续操作。在HotpotQA和ALFWorld数据集上的实验表明，KnowAgent能够达到或超越其他基准模型的性能。并且能有效减少规划幻觉（planning hallucination）现象。KnowAgent在HotpotQA和ALFWorld上的整体性能。评估指标分别是F1分数（%）和成功率（%）。策略指的是每种方法背后的代理学习范式。每种骨干模型的最佳结果已加粗标记。文章还讨论了KnowAgent在处理复杂查询和总结大量文本数据方面的局限性，并提出了未来工作的方向，包括任务扩展性、多代理系统的应用以及自动化设计行动知识库等。
| 
