打通智能体「自我进化」全流程！复旦推出通用智能体平台AgentGym

主要观点总结

本文介绍了复旦大学团队在通用智能体的自我进化能力方面的研究成果。研究团队推出了AgentGym平台，支持大语言模型智能体的数据采样、训练微调、自我进化、能力评测等全流程。基于该平台提出的AgentEvol算法，在多项智能体任务上表现非凡，与SOTA模型比肩。文章还介绍了研究背景、方法、实验结果等。

关键观点总结

关键观点1: 研究背景

开发能够解决和适应复杂工作的多任务通用智能体是人工智能社区的重要目标。通用智能体需要通过模仿和学习，持续适应新任务和智慧泛化。

关键观点2: AgentGym平台特点

AgentGym平台提供了多样化的环境、丰富的轨迹数据和全面的基准测试。它简化了环境配置过程，通过统一的环境操作接口支持Task-specific Agent和Generally-capable Agent。平台采用模块化设计，可轻松添加或更改环境，并提供实时的环境反馈。

关键观点3: AgentEvol算法介绍

AgentEvol算法基于AgentGym套件，通过收集到的AgentTraj轨迹数据集训练基础通用智能体，使其具备基本的指令遵循能力和必要的先验知识。然后智能体与不同的环境交互，完成自我进化，面对来自不同环境的、更多样化的指令与查询，逐渐提升自己完成各项任务的能力。

关键观点4: 实验结果

在多样化环境中，使用AgentTraj数据集训练的智能体展示了良好的基础交互能力。AgentEvol方法在多任务环境下超越了其他模型，揭示了智能体适应和解决更复杂任务的潜力。