向完全自主性更进一步，清华、港大全新跨任务自我进化策略让智能体学会「以经验为鉴」

• 论文标题：Investigate-Consolidate-Exploit: A General Strategy for Inter-Task Agent Self-Evolution
• 论文链接：https://arxiv.org/abs/2401.13996

^{智能体任务间经验迁移以实现自我进化概览图}

^{智能体任务规划的 ICE 自我演化策略}

• 在探索阶段，智能体记录下整个树状任务规划结构，并同时动态检测各个子目标的执行状态；
• 在固化阶段，智能体首先剔除所有失败的目标结点，之后对于每个成功完成的目标，智能体将以该目标为子树的所有叶子结点依次排开形成一条规划链（Workflow）；
• 在利用阶段，这些规划链将被作为新任务目标分解细化的参考依据，以利用过往的这些成功经验。

^{智能体任务执行的 ICE 自我演化策略}

• 在探索阶段，智能体动态记录每个目标执行的工具调用链，并对工具调用中出现的可能问题进行简单的检测归类；
• 在固化阶段，工具调用链将被转化为类似自动机的流水线（Pipeline）结构，工具调用顺序与调用之间的转移关系将被固定，同时还会去掉重复调用，增加分支逻辑等等让自动机自动化执行流程更加鲁棒；
• 在利用阶段，对于相似的目标，智能体将直接自动化执行流水线，从而提升任务完成效率。

• ICE 策略能够显著降低模型的调用次数，从而提升效率，减少开销。
• 存储的经验在 ICE 策略下有着较高的复用率，这证明了 ICE 的有效性。
• ICE 策略能够提升子任务完成率同时减少规划返修的次数。
• 通过以往经验的加持，任务执行对模型能力的要求显著下降。具体来看，使用 GPT-3.5 搭配上之前的任务规划与执行经验，效果可以直接媲美 GPT-4。

^{在探索 – 固化进行经验存储后，测试集任务在不同智能体 ICE 策略下的表现}

^{在不同经验存储量下，测试集任务表现的消融实验结果统计}