AI智能體，是目前學(xué)界炙手可熱的前沿話題，被眾多專家視為大模型發(fā)展的下一個(gè)方向。

然而，最近復(fù)旦、俄亥俄州立大學(xué)、賓夕法尼亞州立大學(xué)、Meta AI的研究者們發(fā)現(xiàn)，AI智能體在現(xiàn)實(shí)世界的規(guī)劃能力還很差。

他們對(duì)GPT-4 Turbo、Gemini Pro、Mixtral 8x7B等進(jìn)行了全面評(píng)估，發(fā)現(xiàn)這些大模型智能體全部翻車了！即使是表現(xiàn)最好的，成功率也僅有0.6%。

對(duì)于大模型規(guī)劃能力和智能體感興趣的研究人員，以后又有一個(gè)新榜可以刷了。（手動(dòng)狗頭）

項(xiàng)目主頁(yè)：https://osu-nlp-group.github.io/TravelPlanner/

看來，讓智能體在現(xiàn)實(shí)世界中完成復(fù)雜規(guī)劃任務(wù)的那一天，還遠(yuǎn)著呢。

LLM智能體，能規(guī)劃旅行嗎

規(guī)劃，是被視為人類智能的一大特征，它是建立在多種能力之上的進(jìn)化成果，包括：

- 迭代使用各種工具來收集信息并做決策；

- 為了深入思考而在工作記憶或物理設(shè)備上記錄下中間階段的計(jì)劃；

- 依賴于世界模型，通過模擬運(yùn)行來探索不同的計(jì)劃方案；

- 以及其他眾多能力，如試錯(cuò)學(xué)習(xí)、基于案例的推理、回溯等。

長(zhǎng)久以來，研究人員一直在努力讓AI智能體模仿人類的規(guī)劃能力，但這些嘗試大多局限于受限的環(huán)境中。

這是因?yàn)?，很多?duì)于達(dá)到人類級(jí)別規(guī)劃所必需的認(rèn)知基礎(chǔ)，AI尚未具備。

在人類所處的幾乎無(wú)限制的環(huán)境中，讓AI智能體穩(wěn)定工作，仍然是遙不可及的目標(biāo)。

隨著LLM智能體的出現(xiàn)，情況開始發(fā)生變化。

這些由LLM驅(qū)動(dòng)的語(yǔ)言智能體，成為了2023年的熱門話題，很多人預(yù)言，它們會(huì)在2024年被廣泛應(yīng)用于現(xiàn)實(shí)世界中。

為什么？這是因?yàn)?，早期AI智能體所缺失的那部分認(rèn)知基礎(chǔ)，很可能被LLM智能體補(bǔ)上了！

它們通過使用語(yǔ)言作為思考和交流的工具，展現(xiàn)出了包括工具使用和多種推理形式在內(nèi)的諸多能力，如此與眾不同。

這不禁就給人們信心：它們是否能完成以往智能體難以企及的復(fù)雜規(guī)劃任務(wù)呢？

為此，研究者們開發(fā)了一個(gè)名為TravelPlanner的新規(guī)劃基準(zhǔn)，它專門針對(duì)一個(gè)我們?nèi)粘Ｉ钪薪?jīng)常會(huì)遇到的場(chǎng)景——規(guī)劃旅行。

即使對(duì)人類而言，這項(xiàng)任務(wù)也充滿挑戰(zhàn)，十分耗時(shí)。但大部分還是可以成功完成，只要使用合適的工具、投入足夠的時(shí)間。

當(dāng)接收到一個(gè)查詢請(qǐng)求時(shí)，語(yǔ)言智能體的任務(wù)是運(yùn)用多種搜索工具來搜集必要的信息。根據(jù)搜集到的資料，這些智能體需要制定出一個(gè)方案。這個(gè)方案不僅要精確滿足用戶在查詢中提出的需求，還必須合乎常識(shí)，即遵循那些不言自明的基本原則和約束

制定一個(gè)優(yōu)秀的旅行計(jì)劃并不容易，即使是專業(yè)標(biāo)注人員，也平均需要12分鐘來完成一個(gè)計(jì)劃的標(biāo)注。

不過，要評(píng)判AI制定的計(jì)劃是否合格，對(duì)我們來說還是很容易的。

如果AI智能體能實(shí)現(xiàn)這一點(diǎn)，它就可以證明：自己的確是一個(gè)極具價(jià)值的工具。

智能體，太讓人失望了

TravelPlanner提供了一個(gè)包含約400萬(wàn)條互聯(lián)網(wǎng)爬取數(shù)據(jù)的豐富沙盒環(huán)境，這些數(shù)據(jù)可以通過6種工具來訪問。

另外，研究者還精心準(zhǔn)備了1225個(gè)不同的用戶查詢，每個(gè)查詢都有不同的約束條件。

那么，目前的語(yǔ)言智能體能否規(guī)劃旅行呢？

結(jié)果是令人失望的——還不行。

研究者對(duì)當(dāng)前最先進(jìn)的大語(yǔ)言模型（GPT-4、Gemini、Mixtral等）和規(guī)劃策略（如ReAct、Reflexion等）進(jìn)行了全面評(píng)估，但最高的成功率僅為0.6%（在1000次嘗試中僅有6次成功）。

在保持任務(wù)的焦點(diǎn)、使用正確的工具收集信息或同時(shí)處理多個(gè)約束方面，LLM智能體都遇到了重重困難。

不過，話又說回來，LLM智能體能夠嘗試解決如此復(fù)雜的問題了，本身就是一個(gè)巨大的進(jìn)步。

而TravelPlanner也有望成為非常有意義的測(cè)試平臺(tái)，幫助未來的LLM智能體在復(fù)雜環(huán)境中實(shí)現(xiàn)接近人類水平的規(guī)劃能力。

Agent如何規(guī)劃？

向LLM提出問題「我要從西雅圖去加州，時(shí)間是2023年11約6日到10日。6000刀預(yù)算，住宿要能接受寵物，而且要整間房子。」

LLM：我可以幫你分析困難，再通過各種有效的工具收集信息。

LLM把需求拆分出兩個(gè)方面的要求，必須滿足的用戶具體要求包括：

1.從西雅圖出發(fā)

2.目的地是加州

3.預(yù)算6000刀

4.房屋需求：整間房屋

5.房屋必須能夠接受寵物

而常識(shí)性的要求包括：

1.合理的城市線路

2.豐富的餐館選擇

3.豐富的景觀選擇

4.不沖突的交通

5.盡量少的住宿天數(shù)

首先LLM通過一些必要的工具來獲取信息：去舊金山?jīng)]有合適的航班。

然后LLM再查找了到南加州洛杉磯的航班，選擇了一班合適的。

然后再看住宿，最便宜的不接受寵物，后邊貴一點(diǎn)和合適。

餐廳和路上景點(diǎn)的選擇完畢，總共花費(fèi)6025刀。

因?yàn)槌A(yù)算了，所以選擇一班便宜點(diǎn)但是更早的航班，完美符合要求！

TravelPlanner數(shù)據(jù)集

TravelPlanner是一個(gè)專為評(píng)價(jià)LLM智能體在使用工具和在多種約束條件下進(jìn)行復(fù)雜規(guī)劃的能力而定制的基準(zhǔn)。

該基準(zhǔn)立足于旅行規(guī)劃這一真實(shí)世界場(chǎng)景，涵蓋了用戶需求和環(huán)境常識(shí)等多樣化的約束因素。

TravelPlanner的目標(biāo)是，檢驗(yàn)語(yǔ)言智能體能否在滿足這些約束的同時(shí)，通過利用各種工具收集信息并做出決策，來制定出合理的旅行計(jì)劃。

研究者期望，對(duì)于每一個(gè)查詢，語(yǔ)言智能體都能規(guī)劃出包含交通、日常餐飲、景點(diǎn)及住宿的詳盡計(jì)劃。

考慮到實(shí)際應(yīng)用背景，研究者設(shè)計(jì)了三類約束：環(huán)境約束、常識(shí)約束和硬性約束。

總共有1,225個(gè)不同的查詢，通過設(shè)置不同的天數(shù)和硬性約束，來測(cè)試智能體在復(fù)雜規(guī)劃的廣度和深度方面的表現(xiàn)。

該基準(zhǔn)分為訓(xùn)練集、驗(yàn)證集和測(cè)試集三部分。

- 訓(xùn)練集包含5個(gè)查詢及其相應(yīng)的人工標(biāo)注計(jì)劃，共45對(duì)查詢-計(jì)劃。

- 驗(yàn)證集則包括每組20個(gè)查詢，總計(jì)180個(gè)查詢。

- 測(cè)試集由1,000個(gè)隨機(jī)分布的查詢組成。

約束條件

為了判斷智能體能否識(shí)別、理解并滿足不同的約束條件來制定出可行的計(jì)劃，研究者在 TravelPlanner中設(shè)置了三種類型的約束。

- 環(huán)境約束：考慮到現(xiàn)實(shí)世界的不斷變化，智能體需要具有高度的適應(yīng)性。

對(duì)于某些目的地，可能在特定時(shí)間內(nèi)找不到航班（比如下圖中西雅圖到舊金山的航班無(wú)法預(yù)訂），這種情況往往是因?yàn)闄C(jī)票已售罄。

面對(duì)這種情況，智能體需要能夠靈活應(yīng)對(duì)，例如選擇其他目的地或改變出行方式。

- 常識(shí)性約束：在設(shè)計(jì)計(jì)劃時(shí)，與人類生活緊密相關(guān)的智能體需要考慮到常識(shí)。

比如，多次參觀同一個(gè)景點(diǎn)通常是不現(xiàn)實(shí)的。

引入這一約束，就是為了測(cè)試智能體在規(guī)劃時(shí)是否能合理利用常識(shí)。

- 硬性約束：智能體能否根據(jù)用戶的個(gè)性化需求制定計(jì)劃，是其關(guān)鍵能力之一。

因此，TravelPlanner融入了諸如預(yù)算限制等多種用戶需求，這些需求可以稱之為硬性約束。

通過硬性約束，可以評(píng)估智能體在滿足不同用戶需求方面的適應(yīng)能力。

TravelPlanner的構(gòu)建步驟包括：1）設(shè)置評(píng)估環(huán)境；2）設(shè)計(jì)多樣化的旅行查詢；3）標(biāo)注參考計(jì)劃；4）進(jìn)行質(zhì)量檢查。

其中，為了生成多樣化的查詢，研究者將包括出發(fā)城市、目的地和特定的日期范圍等要素，通過隨機(jī)選擇組合起來，構(gòu)成了每個(gè)查詢的基礎(chǔ)框架。

接著，通過調(diào)整旅行的持續(xù)時(shí)間和設(shè)置不同數(shù)量的硬性條件，來增加查詢的復(fù)雜度。

旅行的持續(xù)時(shí)間可以是3天、5天或7天，這將直接影響計(jì)劃中包括的城市數(shù)量。

舉例來說，3天的行程專注于探索一個(gè)城市，而5天和7天的行程則分別安排訪問2個(gè)和3個(gè)城市，這些城市位于隨機(jī)選擇的一個(gè)州內(nèi)。

隨著天數(shù)的增加，語(yǔ)言智能體需要更頻繁地使用工具，這不僅增加了規(guī)劃的難度，還要求智能體處理長(zhǎng)期規(guī)劃的復(fù)雜性。

面對(duì)不確定的目的地，智能體需要決策多個(gè)城市的訪問計(jì)劃，同時(shí)考慮城市間的交通連接等因素。

此外，研究者還引入了各種用戶需求作為硬性條件，以此來進(jìn)一步增加查詢的復(fù)雜性和真實(shí)性。這些難度等級(jí)分為三類：

- 簡(jiǎn)單：此級(jí)別的查詢主要考慮單人的預(yù)算限制，每個(gè)查詢的起始預(yù)算根據(jù)一系列精心設(shè)計(jì)的啟發(fā)式規(guī)則來確定。

- 中等：中等難度的查詢?cè)陬A(yù)算限制的基礎(chǔ)上，增加了一個(gè)從約束池中隨機(jī)選取的額外硬性條件，比如菜系偏好、房型選擇和住宿規(guī)則。

此外，隨著參與人數(shù)從2人增加到8人，交通和住宿的成本計(jì)算也相應(yīng)變化。

- 困難：困難級(jí)別的查詢除了包括中等難度的所有條件外，還額外加入了交通偏好作為一個(gè)新的約束條件。

每個(gè)困難查詢都包含三個(gè)從約束池中隨機(jī)選出的硬性條件。

這種方式確保了查詢的多樣性和復(fù)雜性。即使是細(xì)微的變化，也能產(chǎn)生截然不同的旅行計(jì)劃。

最終，依據(jù)這些要素，研究者利用GPT-4，生成了自然語(yǔ)言形式的查詢。

結(jié)果分析

工具使用錯(cuò)誤

如表3所示，即便是依托于GPT-4-Turbo技術(shù)的智能體，在收集信息的過程中也會(huì)出錯(cuò)，從而無(wú)法成功制定出計(jì)劃。

而這個(gè)問題在Gemini Pro和Mixtral中尤其嚴(yán)重。

背后的原因究竟是什么呢？

研究者在圖2中分類整理了所有的錯(cuò)誤類型?？梢园l(fā)現(xiàn)：

1. 智能體在使用工具時(shí)會(huì)出錯(cuò)。

除了GPT-4-Turbo外，其他基于LLMs的智能體都在使用參數(shù)時(shí)出現(xiàn)了不同程度的錯(cuò)誤。

這說明，即使是簡(jiǎn)單地是使用工具，對(duì)于智能體來說也是一個(gè)巨大的挑戰(zhàn)。

2. 智能體陷入了無(wú)效的循環(huán)。

即便使用了GPT-4-Turbo，無(wú)效的操作和重復(fù)操作的循環(huán)也分別占據(jù)了錯(cuò)誤總數(shù)的 37.3%和6.0%。

盡管智能體接收到了操作無(wú)效或沒有產(chǎn)生任何結(jié)果的反饋，它們還是會(huì)不斷重復(fù)這些操作。

這樣也就暗示了，智能體未能根據(jù)環(huán)境的反饋來動(dòng)態(tài)調(diào)整它們的計(jì)劃。

規(guī)劃錯(cuò)誤

研究者在表4中詳細(xì)分析了各種約束條件的通過率，發(fā)現(xiàn)了一些有趣的現(xiàn)象：智能體的性能受到硬性約束數(shù)量的明顯影響。

不論任務(wù)難度如何，智能體的通過率普遍不超過10%，并且隨著約束條件的增加，其性能進(jìn)一步下降。

這表明，當(dāng)前的智能體在處理具有多重約束的任務(wù)時(shí)遇到了挑戰(zhàn)，這正是TravelPlanner的核心難點(diǎn)所在。

為了有效制定計(jì)劃，全面收集信息是必不可少的。

與分階段規(guī)劃模式相比，在單階段規(guī)劃模式下，智能體的表現(xiàn)有所提升。

表5的數(shù)據(jù)顯示，在分階段模式中，智能體比起參考計(jì)劃，使用工具的效率明顯較低。

這意味著智能體往往無(wú)法完成全面的信息搜集，它們可能會(huì)編造信息或遺漏重要細(xì)節(jié)，導(dǎo)致在「沙盒環(huán)境中測(cè)試」和「信息完整性」這兩個(gè)約束條件下的通過率偏低。

此外，隨著旅行時(shí)間的延長(zhǎng)，這種差距愈發(fā)顯著，突顯了智能體在處理長(zhǎng)期規(guī)劃任務(wù)方面需提升能力的迫切性。

智能體在處理需要考慮整體策略的規(guī)劃任務(wù)時(shí)面臨很大的挑戰(zhàn)，特別是當(dāng)任務(wù)涉及到「最少入住天數(shù)」和「預(yù)算」這樣的全局約束時(shí)。

這些約束要求智能體不僅要仔細(xì)考慮當(dāng)前的選擇，還要能預(yù)測(cè)這些選擇對(duì)未來可能造成的影響。

然而，目前的LLM由于自回歸的特性，難以同時(shí)考慮多個(gè)未來可能的情況，這大大限制了它們的規(guī)劃能力。

因此，迫切需要開發(fā)新的策略，比如使用回溯技術(shù)來調(diào)整已經(jīng)做出的決策，或者采用啟發(fā)式方法來進(jìn)行更有遠(yuǎn)見的規(guī)劃，以提高智能體的表現(xiàn)。

案例研究

通過分析圖3中的幾個(gè)失敗案例，就可以發(fā)現(xiàn)當(dāng)前智能體存在的一些關(guān)鍵問題。

首先，智能體在制定計(jì)劃時(shí)，常常因?yàn)闊o(wú)法修正持續(xù)出現(xiàn)的錯(cuò)誤而失敗。

特別是在工具使用場(chǎng)景中，即便前面的步驟都按照計(jì)劃正確執(zhí)行，智能體也常常因?yàn)橹T如日期輸入錯(cuò)誤這樣的小失誤而無(wú)法成功完成計(jì)劃。

圖3左側(cè)清晰地顯示了這一點(diǎn)：即使操作無(wú)誤，智能體也會(huì)反復(fù)使用錯(cuò)誤的日期，導(dǎo)致基于2022年數(shù)據(jù)的TravelPlanner沙盒返回空結(jié)果，最終使智能體放棄繼續(xù)規(guī)劃。

這揭示了一個(gè)關(guān)鍵的局限性：當(dāng)前的智能體無(wú)法自我修正其最初的錯(cuò)誤假設(shè)。

其次，智能體在處理信息時(shí)容易產(chǎn)生混淆，導(dǎo)致它們給出不切實(shí)際的回答。

通過詳細(xì)分析可以發(fā)現(xiàn)，智能體在單獨(dú)規(guī)劃模式下，即使擁有充足的信息，也會(huì)將不同的信息混為一談。

圖3的中間部分顯示：智能體錯(cuò)誤地為往返航班分配了相同的航班號(hào)，這種錯(cuò)誤使得計(jì)劃中的信息與沙盒數(shù)據(jù)不一致，造成了所謂的「幻覺」。

這表明，當(dāng)智能體面對(duì)大量信息時(shí)，可能會(huì)出現(xiàn)「中途迷失」（Lost in the Middle）的現(xiàn)象。

最后，智能體在將它們的行動(dòng)與推理邏輯對(duì)齊方面存在困難。

通過研究Reflexion的案例，可以發(fā)現(xiàn)智能體在認(rèn)識(shí)到需要降低成本的同時(shí)，卻傾向于隨機(jī)選擇物品，包括一些價(jià)格較高的選項(xiàng)。

圖3的右側(cè)部分清楚地展示了智能體的思考與行為之間的不一致，這種差異表明，智能體難以將它們的分析推理與實(shí)際行動(dòng)同步，這嚴(yán)重影響了它們的任務(wù)完成率。

GPT-4 Turbo+ReAct

在這個(gè)case中，計(jì)劃中的旅行并沒有形成一個(gè)封閉的環(huán)形旅行，第三天在Tucson結(jié)束了。

此外，盡管行程中包括在Tucson逗留，但智能體沒有安排當(dāng)天的晚餐或住宿。

在下面的case中，語(yǔ)言智能體一直在犯關(guān)于日期的錯(cuò)誤，還對(duì)飛機(jī)旅行太多固執(zhí)己見，導(dǎo)致它放棄了有效的信息搜索。

另外，它還編造了虛構(gòu)的航班號(hào)「F1234567」等細(xì)節(jié)。這就表明智能體在無(wú)法獲取準(zhǔn)確數(shù)據(jù)時(shí)具有編造錯(cuò)誤信息的傾向。

GPT-4-Turbo + Direct Planning

在下面的case中，語(yǔ)言智能體為第一天的午餐和第二天的早餐都選擇了同一家餐廳，這種選擇似乎有悖常理。

這個(gè)case中，智能體完全成功了。

作者介紹

Jian Xie（謝健）

共同一作Jian Xie，是復(fù)旦大學(xué)計(jì)算機(jī)科學(xué)專業(yè)的碩士生。導(dǎo)師是復(fù)旦大學(xué)知識(shí)工場(chǎng)實(shí)驗(yàn)室的肖仰華教授以及俄亥俄州立大學(xué)的蘇煜教授。

他的研究主要集中在自然語(yǔ)言處理領(lǐng)域，尤其是目前專注于檢索增強(qiáng)生成（RAG）和語(yǔ)言智能體方面。最近的研究探討了在RAG場(chǎng)景中LLM的知識(shí)偏好，以及工具增強(qiáng)語(yǔ)言智能體的規(guī)劃能力。

Kai Zhang

共同一作Kai Zhang，是俄亥俄州立大學(xué)的博士生，導(dǎo)師是蘇煜教授。同時(shí)也在Google DeepMind擔(dān)任兼職學(xué)生研究員。

他對(duì)自然語(yǔ)言處理及其在現(xiàn)實(shí)世界的應(yīng)用充滿興趣。近期專注于從知識(shí)和多模態(tài)性角度探索LLM。

最近特別關(guān)注的一個(gè)研究項(xiàng)目是「大語(yǔ)言模型的知識(shí)沖突」——LLM是否能夠有效利用外部信息（例如新版Bing和具備互聯(lián)網(wǎng)功能的ChatGPT），尤其是在這些信息與它們的參數(shù)記憶相沖突時(shí)。