Meta-Task Planning for Language Agents

神经语言模型的迅速发展引发了智能代理研究的新浪潮。与传统代理不同，基于大型语言模型的代理（LLM代理）由于其卓越的推理和泛化能力，已成为实现人工通用智能（AGI）的有前途的范例。有效的规划对于LLM代理在现实世界任务中的成功至关重要，因此成为社区中备受追捧的主题。目前的规划方法通常将任务转换为可执行的动作序列。然而，在细粒度上确定复杂任务的可行或最优序列，这通常需要组合长链的异构动作，仍然具有挑战性。本文介绍了元任务规划（MTP），这是一种零样本方法，用于协作的基于LLM的多代理系统，通过将复杂任务分解为下级任务或元任务的层次结构来简化任务规划。然后将每个元任务映射到可执行的动作。MTP在两个严格的基准测试TravelPlanner和API-Bank上进行了评估。值得注意的是，MTP在TravelPlanner上取得了平均约40％的成功率，显著高于最先进的基线（2.92％），并且在API-Bank上的表现也比带有ReAct的$LLM_{api}$-4高出约14％，显示了将LLM与多代理系统集成的巨大潜力。

本论文旨在提出一种名为Meta-Task Planning (MTP)的方法，通过将任务分解为元任务并将其映射到可执行的动作，简化复杂任务规划，从而帮助大型语言模型（LLM）代理在现实世界中实现有效的规划。

MTP是一种零样本方法，可用于协作LLM多代理系统，将任务分解为元任务，从而简化复杂任务规划。

本文在TravelPlanner和API-Bank两个基准测试中进行了评估，结果显示MTP在TravelPlanner中取得了平均约40%的成功率，显著高于SOTA基线（2.92%），在API-Bank上也比LLM_api-4 with ReAct高出约14%。

最近的相关研究包括使用神经网络进行任务规划的工作，如Neural Task Programming (NTP)和Differentiable Algorithm Networks (DAN)。