Introspective Tips: Large Language Model for In-Context Decision Making

論文討論了使用大型語言模型 (LLM) 進行上下文決策制定的方法。

近年來，大型語言模型 (LLM) 已經(jīng)在自然語言處理領域產(chǎn)生了重大影響，在多種任務中取得了出色的結(jié)果。在這項研究中，作者使用“內(nèi)省提示”來幫助 LLM 自我優(yōu)化其決策制定。通過內(nèi)省地檢查軌跡，LLM 生成簡潔且有價值的提示，來改進其政策。

這種方法在很少或沒有示例的情況下提高了代理的表現(xiàn)，考慮了三個重要場景：從代理過去的經(jīng)驗中學習、集成專家演示，并泛化到不同的游戲。

重要的是，我們實現(xiàn)這些改進并不需要微調(diào) LLM 參數(shù)，而是調(diào)整提示以概括上述三個場景的洞察力。我們的框架不僅支持，而且強調(diào)使用 LLM 進行上下文決策制定的優(yōu)勢。通過超過 100 個 TextWorld 游戲的實驗，我們展示了我們的方法的優(yōu)勢。

論文： https://www.aminer.cn/pub/646aecaad68f896efa05a6f6