KnowAgent: Knowledge-Augmented Planning for LLM-Based Agents

大型语言模型（LLMs）在复杂推理任务中展现出了巨大潜力，但在处理更复杂的挑战时，特别是通过生成可执行操作与环境交互时，它们表现不佳。这种不足主要源于语言代理缺乏内置的行动知识，无法有效地指导任务解决过程中的计划轨迹，导致计划幻觉。为了解决这个问题，我们介绍了KnowAgent，这是一种新颖的方法，旨在通过整合显式的行动知识来增强LLMs的计划能力。具体而言，KnowAgent采用行动知识库和知识自学策略来限制计划过程中的行动路径，实现更合理的轨迹合成，从而提高语言代理的计划性能。基于各种主干模型的HotpotQA和ALFWorld的实验结果表明，KnowAgent可以实现与现有基线相当或更优越的性能。进一步的分析表明，KnowAgent在减轻计划幻觉方面是有效的。代码可在https://github.com/zjunlp/KnowAgent中获得。

论文旨在解决LLMs在生成可执行动作时的规划能力不足的问题，通过引入显式动作知识来增强规划能力。

知识代理（KnowAgent）通过使用动作知识库和知识性自学策略来约束规划过程中的动作路径，从而提高语言代理的规划性能。

该方法在HotpotQA和ALFWorld数据集上进行了实验，结果表明KnowAgent可以达到与现有基线模型相当或更好的性能，并有效缓解了规划幻觉的问题。研究还提供了开源代码。

最近的相关研究包括基于语言的智能体规划和知识增强的模型，如Action-Graphs和ActionQA。