Role-Agent：经双角色演化引导LLM智能体

尽管大型语言模型（LLM）智能体在复杂任务上表现出了强大的性能，但它们的学习往往受到低效的交互反馈和静态训练环境的限制，这阻碍了更广泛的泛化。为了解决这些限制，本文引入了角色代理，\textcolor{black}{一个框架}，它利用单个 LLM 同时充当代理和环境，从而实现引导式协同进化。 Role-Agent 由两个协同组件组成：World-In-Agent (WIA) 和 Agent-In-World (AIW)。在 WIA 中，LLM 充当代理并预测每次行动后的未来状态；然后，预测状态和实际状态之间的一致性被用作过程奖励，鼓励环境感知推理。在 AIW 中，LLM 从失败的轨迹中分析失败模式，并检索具有相似失败模式的任务，从而重塑训练数据分布以进行有针对性的实践。多个基准测试的实验表明，Role-Agent 持续提高性能，与强基准相比，平均增益超过 4%。