神秘顾客教程在使用GPT、Llama等多种大模子的情况下

发布日期：2024-03-13 08:12    点击次数：72

基于大模子的Agent神秘顾客教程，也曾成为了大型的博弈游戏的高等玩家，况兼玩的如故德州扑克、21点这种非好意思满信息博弈。

来自浙江大学、中科院软件所等机构的说合东说念主员建议了新的Agent进化计谋，从而打造了一款会玩德州扑克的“桀黠”智能体Agent-Pro。

通过不竭优化自我构建的宇宙模子和步履计谋，Agent-Pro掌合手了虚张阵容、主动撤消等东说念主类高阶游戏计谋。

Agent-Pro以大模子为基座，通过自我优化的Prompt来建模游戏宇宙模子和步履计谋。

比拟传统的Agent框架，Agent-Pro莽撞变通地搪塞复杂的动态的环境，而不是仅专注于特定任务。

况兼，Agent-Pro还不错通过与环境互动来优化我方的步履，从而更好地已毕东说念主类设定的见解。

同期作家还指出，在竞争、公司谈判和安全等本质宇宙中碰到的情景，大多不错综合为multi-agent博弈任务，而Agent-Pro通过对这类情境的说合，为料理无边本质宇宙的问题提供了有用计谋。

那么，Agent-Pro在博弈游戏中的推崇究竟奈何呢？

进化出游戏宇宙模子

在说合中，作家使用了“21点”和“有限注德州扑克”这两款游戏对Agent进行了评估。

着手简要先容下两个博弈游戏的基本限定。

21点

游戏中包含一个庄家和至少别称玩家。

玩家不错看到我方的两张手牌， 以及庄家的一张明牌，庄家还消散了一张暗牌。玩家需要决定是链接要牌（Hit）如故停牌（Stand）。

游戏的见解是在总点数不着手21点的前提下，尽量使总点数着手庄家。

有限注德州扑克

游戏运转阶段为Preflop阶段，每位玩家将取得两张只属于我方且对其他玩家守秘的私牌（Hand）。

随后，会有五张全球牌面(Public Cards)循序发出：着手翻牌（Flop）3 张，其次转牌（Turn）1张，临了是河牌(River）1张。

玩家有四种遴选：弃牌（fold）、过牌（check）、跟注（call）或加注（raise）。

见解是愚弄我方的两张Hand和五张Public Cards自便组合，尽可能构造出最好的五张扑克牌组合。

在“21点”当中，一样是使用GPT-4作为基础模子，Agent-Pro的推崇着手了ReAct框架。

在手牌疏导的情况下，二者的推崇如下图所示。

Agent-Pro通过分析得出自我信念（Self-Belief）和对外部宇宙的信念（World-Belief），正确意识到我方的手牌已接近21点，合理的遴选了停牌。

而ReAct则未能实时停牌，导致最终爆牌，输掉了游戏。

从游戏中莽撞看出Agent-Pro更好的聚会了游戏的限定，并给出了合理的遴选。

接下来再望望在德州扑克中Agent-Pro的推崇。

一次牌局中，参赛选手诀别是熏陶后的DQN、DMC计谋，原生GPT3.5和Agent-Pro（基于GPT-4），他们的手牌和全球牌如下图所示：

△

S、H、C、D诀别代表黑桃、红桃、梅花、方块

在刻卑鄙戏状况（Current game state）下，Agent-Pro分析得出Self-Belief、World-Belief和最终的Action，并跟着游戏状况的变化，不竭更新Belief，凭证自己和敌手的情况，作念出活泼合理的遴选。

△

疏导牌局合并位置的Baseline（原始大模子）后果为-13

统计数据上看，21点游戏中，在使用GPT、Llama等多种大模子的情况下，Agent-Pro的推崇都显耀着手了原始模子和其他参与对比的Agents框架。

在更为复杂的德州扑克游戏中，Agent-Pro不仅着手了原始大模子，还打败了DMC等熏陶后的强化学习Agent。

那么，Agent-Pro是奈何学习和进化的呢？

三管王人下进步Agent推崇

神秘顾客_赛优市场调研

Agent-Pro包括“基于信念的方案”“计谋层面的反念念”和“宇宙模子和步履计谋优化”这三个组件。

基于信念的方案（Belief-aware Decision-making）

Agent-Pro凭证环境信息，关于我们着手造成Self-Belief和World-Belief，然后基于这些Belief作念出方案（Action）。

在后续环境交互中，Agent-Pro动态更新Belief，进而使作念出的Action相宜环境的变化。

举例，德州扑克游戏中：

环境信息可包括手牌（Private State）、全球牌（Public State）、行为轨迹（Trajectory）等；

Agent-Pro敌手牌（State）、出牌规划（Plan）及潜在风险（Risk）的预估等信息组成了它的Self-Belief；

而Agent-Pro对敌手（Opponent）、环境（Environment）和限定（Rule）的聚会则组成了它的World-Belief；

这些Belief在每一个方案周期中都会被更新，从而影响下个周期中Action的产生

计谋层面的反念念（Policy-Level Reflection)

与东说念主类一样，Agent-Pro 会从历史教化、历史潜入和历史后果中进行反念念和优化。它自主颐养我方的Belief，寻找有用的指示指示，并将其整合到新的计谋Policy中。

着手，Agent-Pro以笔墨的体式想象了一个对任务宇宙的建模以及对步履准则的描绘， 他们一齐被行为念Policy：

World Modeling：任务宇宙的建模，举例对游戏环境的聚会、敌手们的立场分析、环境中其他Agent的计谋揣测等；

Behavioral Guideline：步履准则的描绘，举例对游戏见解的意识、我方计谋议论、将来可能面对的风险等

其次，为了更新World Modeling和Behavioral Guideline，Agent-Pro想象了一个Policy-level Reflection进程。

与Action-level Reflection不同，在Policy-level的反念念中，Agent-Pro被辅导去暖和内在和外皮信念是否对王人最终后果，更环节的是，反念念背后的宇宙模子是否准确，步履准则是否合理，而非针对单个Action。

举例，德州扑克游戏中Policy-level的反念念是这么的：

在刻下宇宙模子和步履准则(World Modeling & Behavioral Guideline)的带领下，Agent-Pro不雅察到外部状况，然青年景Self-Belief和World-Belief，临了作念出Action。但淌若Belief不准确，则可能导致分歧逻辑的行为和最终后果的失败；

Agent-Pro凭证每一次的游戏来注释Belief的合感性，并反念念导致最终失败的原因（Correct，Consistent，Rationality…）；

然后，Agent-Pro将反念念和对自己及外部宇宙的分析整理，生成新的步履准则Behavioral Guideline和宇宙建模World Modeling；

基于重生成的Policy（World Modeling & Behavioral Guideline），Agent-Pro重迭进行疏导游戏，来进行计谋考据。淌若最终分数有所进步，则将更新后的World Modeling & Behavioral Guideline和保留在指示中。

宇宙模子和步履准则的优化（World Modeling & Behavioral Guideline Evolution）

在Policy-level Reflection之上，面对动态的环境，Agent-Pro还接受了深度优先搜索（DFS）和计谋评估，来不息优化宇宙模子和步履准则，从而找到更优的计谋。

计谋评估是指Agent-Pro 在新的采样的轨迹中对新Policy进行更全面的评估，从而熟练新计谋的泛化工夫。举例，德州扑克游戏中，新采样多条游戏轨迹。

通过交换玩家位置或手牌，来排斥由于气运带来的连忙成分，从而更全面评估新计谋的工夫。

而DFS搜索则在新计谋不可在新的场景中带来预期的改良（计谋评估）时使用，按照DFS搜索计谋，从其他候选计谋中寻找更优的计谋。

— 完 —神秘顾客教程

• 神秘
• 顾客
• 教程
• 适用
• GPT