Porimon：基于 LLM 的神奇宝贝战斗Agent，通过长/短期知识增强生成增强

在本文中，我们使用 Pokémon Battles 作为案例研究，研究如何在需要对手感知规划而无需额外微调的任务中提高基于 LLM 的Agent的性能。我们提出了长/短期知识增强生成（LSTKAG），这种机制使基于 LLM 的Agent能够利用当前任务的过去状态，并根据当前状态从类似的先前任务实例中检索经验摘要。基于LSTKAG，我们设计了Porimon，一个基于LLM的神奇宝贝对战Agent结构。为了优化，我们引入了外部 API，用于精确的伤害计算和有关游戏的更多详细信息。我们进行了类似锦标赛的评估实验，包括 15,000 场超参数优化、消融研究和性能评估的战斗。结果表明，具有超参数优化的基于 Porimon 的玩家明显优于基于 PokéLLMon（之前研究中提出的基于 LLM 的Agent结构）的玩家以及基于规则的启发式玩家。此外，我们的消融研究表明，Porimon 变体在游戏信息检索方面优于没有扩展的变体，这表明了该扩展的贡献。然而，目前的实验结果对于长期 KAG 的贡献尚无定论。这些结果表明，引入外部资源、当前任务先前状态的信息以及先前类似任务实例的经验总结可以提高为需要对手感知规划的任务而设计的基于 LLM 的Agent的性能。