论文
请求专家推理：用学习到的协作干预增强 LLM 智能体
Requesting Expert Reasoning: Augmenting LLM Agents with Learned Collaborative Intervention
摘要
基于大语言模型（LLM）的智能体擅长通用推理，但在成功依赖长尾知识的专用领域常失败，而这些知识不在其训练数据中。虽然人类专家能提供这些缺失知识，但他们的指导往往是非结构化且不可靠的，直接整合进智能体计划存在问题。为此，我们提出 AHCE（Active Human-Augmented Challenge Engagement），一个按需人机协作框架。其核心是人类反馈模块（HFM），它采用学习到的策略把人类专家当作交互式推理工具对待。在 Minecraft 中的大量实验证明了该框架的有效性：在普通难度任务上任务成功率提升 32%，在高难度任务上提升近 70%，且人工干预极少。我们的工作表明，成功增强智能体需要学习如何请求专家推理，而不只是简单地求助。
