Ask-before-Plan: Proactive Language Agents for Real-World Planning

本文介绍了一种新的任务——主动代理规划，要求语言代理根据用户-代理对话和代理-环境交互预测澄清需求，调用外部工具收集有效信息，并生成满足用户需求的计划。尽管大型语言模型（LLMs）的发展增强了语言代理在各种实际场景中的规划能力，但LLM驱动代理理解模棱两可的用户指令以进行推理和决策的潜力仍在探索中。为了研究这个实际问题，我们建立了一个新的基准数据集，名为Ask-before-Plan。为了解决LLMs在主动规划方面的不足，我们提出了一种新颖的多代理框架——澄清-执行-规划（CEP），由澄清、执行和规划三个代理专门负责。我们为澄清代理和静态执行代理引入了轨迹调整方案，为动态执行代理引入了记忆回忆机制。在Ask-before-Plan数据集上进行的广泛评估和综合分析验证了我们提出的框架的有效性。

本论文提出了一个新任务，即主动代理规划，旨在探索LLM驱动代理在理解模糊用户指令方面的潜力。为了解决这个问题，论文建立了一个新的基准数据集Ask-before-Plan。

论文提出了一个新的多代理框架CEP，由三个代理组成，分别专门负责澄清、执行和规划。论文还介绍了轨迹调整方案和记忆回忆机制等创新点。

论文使用了新的基准数据集Ask-before-Plan，证明了CEP框架的有效性。实验结果表明，CEP框架在主动代理规划任务中表现出色。

近期的相关研究包括基于LLM的对话系统和规划任务，例如GPT-based对话系统和基于强化学习的规划系统。