一样是使用GPT-4作为基础模子成都神秘顾客系统

发布日期：2024-03-13 09:21    点击次数：90

基于大模子的Agent，照旧成为了大型的博弈游戏的高等玩家成都神秘顾客系统，况兼玩的如故德州扑克、21点这种非无缺信息博弈。

来自浙江大学、中科院软件所等机构的磋商东谈主员建议了新的Agent进化政策，从而打造了一款会玩德州扑克的“调皮”智能体Agent-Pro。

通过不休优化自我构建的天下模子和步履政策，Agent-Pro掌持了虚张阵容、主动毁掉等东谈主类高阶游戏政策。

Agent-Pro以大模子为基座，通过自我优化的Prompt来建模游戏天下模子和步履政策。

比较传统的Agent框架，Agent-Pro省略变通地布置复杂的动态的环境，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，从而更好地齐全东谈主类设定的策画。

同期作家还指出，在竞争、公司探究和安全等实际天下中遭受的情景，大多不错轮廓为multi-agent博弈任务，而Agent-Pro通过对这类情境的磋商，为贬责繁密实际天下的问题提供了有用政策。

那么，Agent-Pro在博弈游戏中的推崇究竟何如呢？

进化出游戏天下模子

在磋商中，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。

最初简要先容下两个博弈游戏的基本规则。

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，庄家还荫藏了一张暗牌。玩家需要决定是赓续要牌（Hit）如故停牌（Stand）。

游戏的策画是在总点数不卓著21点的前提下，尽量使总点数卓著庄家。

有限注德州扑克

游戏驱动阶段为Preflop阶段，每位玩家将得回两张只属于我方且对其他玩家躲避的私牌（Hand）。

随后，会有五张全球牌面(Public Cards)轮番发出：最初翻牌（Flop）3 张，其次转牌（Turn）1张，临了是河牌(River）1张。

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

策画是行使我方的两张Hand和五张Public Cards放纵组合，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的推崇卓著了ReAct框架。

在手牌疏浚的情况下，二者的推崇如下图所示。

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

而ReAct则未能实时停牌，导致最终爆牌，输掉了游戏。

从游戏中省略看出Agent-Pro更好的意会了游戏的规则，并给出了合理的遴荐。

接下来再望望在德州扑克中Agent-Pro的推崇。

一次牌局中，参赛选手永诀是教训后的DQN、DMC政策，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永诀代表黑桃、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，不休更新Belief，凭证自己和敌手的情况，作念出活泼合理的遴荐。

△

疏浚牌局合并位置的Baseline（原始大模子）成果为-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的推崇都显贵卓著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不仅卓著了原始大模子，还打败了DMC等教训后的强化学习Agent。

那么，Agent-Pro是何如学习和进化的呢？

三管皆下提升Agent推崇

Agent-Pro包括“基于信念的有策画”“政策层面的反念念”和“天下模子和步履政策优化”这三个组件。

基于信念的有策画（Belief-aware Decision-making）

Agent-Pro凭证环境信息，联系我们最初酿成Self-Belief和World-Belief，然后基于这些Belief作念出有策画（Action）。

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

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）、活动轨迹（Trajectory）等；

Agent-Pro敌手牌（State）、出牌策画（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）和规则（Rule）的意会则组成了它的World-Belief；

这些Belief在每一个有策画周期中都会被更新，从而影响下个周期中Action的产生

政策层面的反念念（Policy-Level Reflection)

与东谈主类一样，Agent-Pro 会从历史教会、历史领略和历史成果中进行反念念和优化。它自主调解我方的Belief，寻找有用的教唆指示，并将其整合到新的政策Policy中。

最初，Agent-Pro以笔墨的模样联想了一个对任务天下的建模以及对步履准则的形容， 他们一谈被作为念Policy：

World Modeling：任务天下的建模，举例对游戏环境的意会、敌手们的作风分析、环境中其他Agent的政策臆度等；

Behavioral Guideline：步履准则的形容，举例对游戏策画的意识、我方政策狡计、过去可能靠近的风险等

其次，为了更新World Modeling和Behavioral Guideline，Agent-Pro联想了一个Policy-level Reflection历程。

与Action-level Reflection不同，在Policy-level的反念念中，Agent-Pro被辅导去宝贵内在和外皮信念是否对皆最终成果，更紧要的是，反念念背后的天下模子是否准确，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：

在刻下天下模子和步履准则(World Modeling & Behavioral Guideline)的领导下，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。但若是Belief不准确，则可能导致不对逻辑的活动和最终成果的失败；

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

神秘顾客_赛优市场调研

然后，Agent-Pro将反念念和对自己及外部天下的分析整理，生成新的步履准则Behavioral Guideline和天下建模World Modeling；

基于腾达成的Policy（World Modeling & Behavioral Guideline），Agent-Pro肖似进行疏浚游戏，来进行政策考证。若是最终分数有所提升，则将更新后的World Modeling & Behavioral Guideline和保留在教唆中。

天下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还采纳了深度优先搜索（DFS）和政策评估，来络续优化天下模子和步履准则，从而找到更优的政策。

政策评估是指Agent-Pro 在新的采样的轨迹中对新Policy进行更全面的评估，从而检修新政策的泛化武艺。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，来舍弃由于运谈带来的飞速要素，从而更全面评估新政策的武艺。

而DFS搜索则在新政策弗成在新的场景中带来预期的更正（政策评估）时使用，按照DFS搜索政策，从其他候选政策中寻找更优的政策。

— 完 —成都神秘顾客系统

• 适用
• 模子
• 一样
• 为基础
• GPT-4