AriGraph: Learning Knowledge Graph World Models with Episodic Memory for LLM Agents

生成式人工智能的进步扩展了大型语言模型在自主代理开发中的潜在应用。实现真正的自主性需要积累和更新通过与环境的交互获得的知识，并有效地利用它。目前的基于大型语言模型的方法利用过去的经验，使用完整的观察历史、摘要或检索增强。然而，这些非结构化的记忆表示不利于复杂决策所必需的推理和规划。在我们的研究中，我们介绍了AriGraph，一种新颖的方法，其中代理构建一个记忆图，集成语义和情节记忆，同时探索环境。这个图结构促进了相互关联的概念的高效联想检索，这些概念与代理的当前状态和目标相关，因此作为一个有效的环境模型，增强代理的探索和规划能力。我们证明了我们的Ariadne LLM代理，配备了这种提出的记忆架构，增强了规划和决策能力，在TextWorld环境中以零样本的方式有效地处理复杂任务。我们的方法在各种任务中明显优于已有的方法，包括第一届TextWorld Problems竞赛的烹饪挑战和新任务，如清洁房子和解谜寻宝。

论文试图提出一种新的方法，以解决基于语言模型的自主智能体在处理复杂任务时存在的记忆表示问题。

该论文提出了一种新的记忆图结构，称为AriGraph，它将语义记忆和情节记忆整合在一起，以促进智能体在探索环境时的关联检索和决策制定。

论文采用TextWorld环境进行实验，结果表明AriGraph方法在处理复杂任务时表现优异，比全历史、摘要和检索增强生成等传统方法更有效。该论文的代码和数据集已经开源。

近年来，基于语言模型的自主智能体的记忆表示问题一直是该领域的研究热点，相关研究包括《Retrieval-Augmented Generation for Knowledge-Intensive Tasks》和《Learning to Navigate Unseen Environments: Back Translation with Environmental Dropout》等。