Agent工作流記憶 - 讓AI助手更聰明地完成復雜任務
今天我要跟大家分享一篇很有意思的論文,題目是《Agent Workflow Memory》,也就是"Agent工作流記憶"。這篇論文提出了一種新方法,讓AI助手(我們稱之為Agent)能更好地完成復雜的網頁任務。
首先,我們來聊聊這個研究的背景。現在的AI技術已經非常強大了,特別是像GPT這樣的大語言模型(LLM),它們可以進行對話、回答問題,甚至可以幫我們完成一些簡單的任務。但是,當面對復雜的、需要多個步驟才能完成的任務時,AI助手還是會遇到不少困難。
舉個例子,假設我們讓AI助手幫我們在網上訂一張從北京到上海的機票。這個任務看似簡單,但實際上涉及很多步驟:
打開航空公司網站
選擇出發地和目的地
選擇日期
篩選合適的航班
填寫乘客信息
選擇座位
支付訂單
對于人類來說,我們可能已經訂過很多次機票了,這些步驟我們爛熟于心。但對AI助手來說,每次執行這樣的任務都像是全新的體驗。它可能會在某些步驟卡住,或者忘記了重要的步驟。
研究人員發現,現有的AI助手主要有兩個問題:
- 缺乏可重用的工作流程:AI助手無法像人類那樣,從過去的經驗中提取出通用的工作流程,并在新任務中靈活運用。
- 無法從失敗中學習:每次執行任務時,AI助手都是從頭開始,無法利用之前成功或失敗的經驗來改進自己的表現。
研究目標:讓AI助手更聰明
基于這些挑戰,研究者提出了一個非常有趣的想法:能不能讓AI助手也像人類一樣,能夠學習、記憶和使用工作流程呢?
這就是本篇論文的核心目標:開發一種方法,讓AI助手能夠從過去的經驗中提取出可重用的工作流程,并在未來的任務中靈活運用這些工作流程。
研究者們希望通過這種方法,AI助手可以:
- 更高效地完成復雜任務
- 在不同的網站和領域之間更好地泛化
- 隨著經驗的積累不斷提升自己的能力
那么他們是如何實現這個目標的呢?這就要說到本文的核心方法了:Agent Workflow Memory(AWM),也就是"Agent工作流記憶"。
AWM的核心思想:工作流記憶
Agent Workflow Memory (AWM)的核心思想是讓AI助手能夠像人類一樣,從過去的經驗中學習、記憶和使用工作流程。但什么是"工作流"呢?讓我們先來理解這個概念。
什么是工作流?
在AWM中,工作流(Workflow)是指完成某個任務或子任務的一系列步驟。它包含兩個主要部分:
- 工作流描述(Workflow Description): 一段簡短的文本,描述這個工作流的目標或功能。
- 工作流軌跡(Workflow Trajectory): 一系列具體的步驟,包括觀察環境、推理和執行動作。
舉個例子,假設我們有一個"搜索產品"的工作流,它可能看起來像這樣:
## 工作流描述: 在電商網站搜索特定產品
工作流軌跡:
1. [觀察] 當前頁面顯示搜索框
2. [推理] 我需要在搜索框中輸入產品名稱
3. [動作] 在搜索框中輸入"{產品名稱}"
4. [觀察] 搜索結果頁面加載完成
5. [推理] 我需要查看搜索結果并選擇最相關的產品
6. [動作] 點擊最相關的產品鏈接這個工作流描述了在電商網站搜索產品的通用步驟,可以適用于多種不同的產品和網站。
AWM的工作原理
現在我們了解了工作流的概念,讓我們來看看AWM是如何工作的。AWM的核心流程包括三個主要步驟:
- 工作流提取(Workflow Induction)
- 工作流整合(Workflow Integration)
- 工作流使用(Workflow Utilization)
讓我們逐一詳細了解這些步驟。
1. 工作流提取 (Workflow Induction)
在這個步驟中,AWM會從AI助手過去執行任務的經驗中提取出可重用的工作流。這個過程可以通過兩種方式進行:
a) 基于規則的提取: 使用預定義的規則來識別和提取常見的行為模式。b) 基于語言模型的提取: 使用大型語言模型(如GPT)來分析和總結任務執行過程,生成抽象的工作流。
研究者發現,基于語言模型的提取方法通常能產生更抽象、更通用的工作流,因此在實驗中表現更好。
工作流提?。╓orkflow Induction）是AWM方法的核心步驟之一，論文中詳細描述了兩種主要的實現方式：基于規則的方法和基于語言模型的方法。我們來深入了解一下這兩種方法的具體實現細節。
1. 基于規則的方法（Rule-based Induction）
基于規則的方法主要包括兩個步驟：經驗去重和無效動作過濾。
1.1 經驗去重
目的：從多個相似的任務執行經驗中提取出獨特的工作流。
實現步驟：
- 提取動作序列：
例如，從軌跡CLICK('12') → CLICK('30') → TYPE('44', "cat") 中提取出CLICK → CLICK → TYPE。
- 按動作序列分組：
- 將具有相同動作序列的經驗分到一組。
- 隨機選擇：
- 從每組中隨機選擇n個經驗（默認n=1）作為該組的代表。
- （針對WebArena）額外的模板去重：
- 如果有任務模板信息，再按模板分組。
- 從每個模板組中隨機選擇n個經驗（默認n=1）。
1.2 無效動作過濾
目的：移除無法在環境中成功執行的動作步驟。
實現步驟：
- 設定規則：
例如，CLICK和TYPE動作的第一個參數必須是字符串格式的整數（代表環境中元素的ID）。
- 應用規則：
- 遍歷每個動作，檢查是否符合規則。
- 移除不符合規則的動作。
- 生成最終工作流：
- 保留經過過濾后的有效動作序列作為工作流。
示例：輸入軌跡：CLICK(12) → CLICK('12') → CLICK('30') → TYPE(44, "cat") → TYPE('44', "cat")?輸出工作流：CLICK('12') → CLICK('30') → TYPE('44', "cat")
2. 基于語言模型的方法（LM-based Induction）
基于語言模型的方法利用大型語言模型（如GPT）來生成更抽象、更通用的工作流。
2.1 提示工程（Prompt Engineering）
研究者設計了特殊的提示模板，引導語言模型從給定的任務經驗中提取工作流。
提示模板的關鍵點：
- 任務描述：要求模型從給定的網頁導航任務列表中提取常見工作流。
- 輸入格式說明：每個任務包含一個自然語言指令和一系列解決任務的動作。
- 輸出要求：
找出多個任務中重復出現的動作子集。
將每個重復子集提取為一個工作流。
每個工作流應該是常用的子例程，至少包含兩個步驟。
使用描述性變量名代替具體的輸入文本或按鈕字符串。
Given a list of web navigation tasks, your task is to extract the common workflows.
Each given task contains a natural language instruction, and a series of actions to solve the task. You need to find the repetitive subset of actions across multiple tasks, and extract each of them out as a workflow.
Each workflow should be a commonly reused sub-routine of the tasks. Do not generate similar or overlapping workflows. Each workflow should have at least two steps. Represent the non-fixed elements (input text, button strings) with descriptive variable names as shown in the example.2.2 工作流生成
語言模型基于提供的任務經驗和提示，生成抽象的工作流。
生成的工作流通常包含：
- 工作流描述：簡要說明工作流的目標或功能。
- 工作流軌跡：包含多個步驟，每個步驟包括：
環境描述：當前網頁狀態的文本描述。
推理過程：解釋為什么要執行下一步動作。
具體動作：可執行的程序化動作。
示例工作流：
## 在電商網站搜索產品
工作流描述：此工作流用于在電商網站上搜索特定產品。
工作流軌跡：
[環境描述] 當前頁面顯示搜索框。
[推理] 我需要在搜索框中輸入產品名稱。
[動作] fill('搜索框ID', '{產品名稱}')
[環境描述] 搜索結果頁面已加載。
[推理] 我需要點擊最相關的產品鏈接。
[動作] click('{最相關產品鏈接ID}')3. 兩種方法的比較
研究者發現，基于語言模型的方法通常能產生更好的結果：
- 更抽象：生成的工作流更容易泛化到不同的任務和網站。
- 更細粒度：能夠捕捉到更精細的操作模式。
- 更靈活：可以根據上下文生成適應性更強的工作流。
然而，基于規則的方法也有其優勢：
- 計算效率高：不需要大型語言模型，處理速度更快。
- 確定性：結果更可預測，便于調試和優化。
在實際應用中，研究者主要使用基于語言模型的方法，因為它能產生更高質量、更通用的工作流，從而在各種測試場景中取得更好的性能。
通過這種精心設計的工作流提取過程，AWM能夠從AI助手的歷史經驗中學習到有用的操作模式，這些模式后續可以被用來指導AI助手更有效地完成新的任務。這就是AWM方法效果顯著的關鍵所在。
2. 工作流整合 (Workflow Integration)
一旦提取出工作流,AWM會將這些工作流整合到AI助手的記憶中。這個過程就像是給AI助手一本"操作手冊",里面包含了各種常見任務的執行步驟。
3. 工作流使用 (Workflow Utilization)
當AI助手面對新任務時,它會先查閱自己的"操作手冊",看看有沒有適用的工作流。如果找到了相關的工作流,AI助手就會參考這個工作流來執行任務,而不是從零開始摸索。
AWM的兩種工作模式
AWM有兩種主要的工作模式:離線模式(Offline)和在線模式(Online)。
- 離線模式(AWM Offline):
- 在任務執行之前,使用已有的訓練數據來提取工作流。
- 適用于有大量高質量訓練數據的場景。
- 優點是可以提前準備好工作流,執行任務時更快。
- 在線模式(AWM Online):
- 在執行任務的過程中實時提取和使用工作流。
- 適用于沒有現成訓練數據,或者任務環境經常變化的場景。
- 優點是可以不斷學習和適應新的任務環境。
這兩種模式各有優勢,研究者在不同的實驗場景中都進行了測試。
到這里,我們已經對AWM的核心思想和工作原理有了基本的了解。在下一部分,我們將看看研究者是如何評估AWM的效果的,以及它在實際任務中表現如何。
AWM的實驗評估
研究者們為了全面測試AWM的效果,選擇了兩個主要的網頁導航基準測試:WebArena和Mind2Web。這兩個測試集涵蓋了各種不同類型的網頁任務,從簡單的信息查找到復雜的多步驟操作都有。讓我們來看看AWM在這些測試中的表現。
WebArena測試
## shopping: Browse Products in a Specific Category
To browse products in a specific category, I need to navigate to the relevant main category. I will start by hovering over the main category menu item to reveal the subcategories.
hover(’main category id’)
To browse products in the specific subcategory, I need to click on the subcategory link. click(’subcategory id’)WebArena是一個包含812個網頁導航任務的測試集,涉及5個不同的網站,包括電子商務、社交論壇、軟件開發協作平臺和內容管理系統等。這個測試的特點是它可以嚴格評估AI助手執行任務的功能正確性。
實驗設置
研究者使用了GPT-4作為基礎模型,采用AWM的在線模式(AWM Online)進行測試。這意味著AI助手在執行測試任務的過程中,會不斷學習和使用新的工作流。
主要結果
- 整體成功率:
- AWM: 35.5%
- 基準方法(BrowserGym): 23.5%
- 相對提升: 51.1%
- 平均步驟數:
- AWM: 5.9步
- 基準方法: 7.9步
這些結果表明,AWM不僅顯著提高了任務完成的成功率,還減少了完成任務所需的步驟數,使AI助手的操作更加高效。
跨模板泛化能力
研究者還專門測試了AWM在不同任務模板之間的泛化能力。結果顯示,即使面對全新的任務類型,AWM仍然保持了較高的成功率(33.2%),遠超基準方法(20.5%)。
Mind2Web測試
# travel: enter flight locations
Given that you are on the flight booking page, this workflow enters the departure and destination city/airport for your flight.
[link] From Departure Airport or City Your Origin ? > CLICK [textbox] Origin City or Airport ? > TYPE: {your-origin-city}
[link] {best-popup-option} ? > CLICK
[link] To Destination Airport or City Your Destination ? > CLICK [textbox] Destination City or Airport ? > TYPE: {your-destination-city} [link] {best-popup-option} ? > CLICKMind2Web是另一個重要的測試集,它強調了跨任務、跨網站和跨領域的泛化能力。這個測試集包含了1000多個任務,涉及200多個不同的網站和多個領域(如旅行、購物、社交媒體等)。
實驗設置
研究者在Mind2Web上同時測試了AWM的離線模式(AWM Offline)和在線模式(AWM Online)。
主要結果
- 跨任務測試:
- AWM Offline (GPT-4): 45.1% 步驟成功率
- 基準方法(MindAct): 36.2% 步驟成功率
- 相對提升: 24.6%
- 跨網站測試:
- AWM Online: 33.9% 步驟成功率
- 基準方法: 30.1% 步驟成功率
- 絕對提升: 3.8個百分點
- 跨領域測試:
- AWM Online: 35.5% 步驟成功率
- 基準方法: 18.6% 步驟成功率
- 絕對提升: 16.9個百分點
這些結果清楚地表明,AWM在各種不同的場景下都能顯著提升AI助手的表現,特別是在跨領域的任務中,improvement非常顯著。
結果分析
通過這些實驗,我們可以得出以下幾個重要的結論:
- 顯著提升性能: AWM無論在哪種測試場景下,都能顯著提升AI助手的任務完成能力。
- 更高效的執行: 使用AWM的AI助手通常能用更少的步驟完成任務,這說明它學會了更有效的操作方式。
- 強大的泛化能力: AWM展現出了優秀的跨任務、跨網站和跨領域泛化能力,這意味著它學到的工作流具有廣泛的適用性。
- 在線學習的優勢: 在一些場景下,特別是面對全新的領域時,AWM的在線模式表現得更好,說明實時學習和適應的能力非常重要。
- 基礎模型的重要性: 實驗結果顯示,使用更強大的基礎模型(如從GPT-3.5升級到GPT-4)可以進一步提升AWM的效果。
本文轉載自 ??芝士AI吃魚??，作者： 芝士AI吃魚
