论文页面 - 面向大型语言模型的智能体环境工程：环境建模、合成、评估与应用综述

来源: https://huggingface.co/papers/2606.12191 作者:

,

,

,

,

,

,

,

,

,

,

,

摘要

大型语言模型智能体需要专门的环境进行训练和评估，这些环境可根据其工程生命周期阶段进行分类，并通过包括神经方法和符号方法在内的多种范式进行演进。

环境作为基于大型语言模型 (https://huggingface.co/papers?q=large%20language%20model)(LLM)的智能体在各类场景中的交互式系统，在推动模型能力持续演进方面发挥着关键作用。尽管这一重要性显而易见，但现有研究缺乏系统性的分类与深入分析。本文从环境工程生命周期 (https://huggingface.co/papers?q=environment%20engineering%20lifecycle)的角度，系统梳理了当前关于智能体环境 (https://huggingface.co/papers?q=agentic%20environments)的研究，涵盖其建模、合成、评估与应用。具体而言，本文首先从八个属性和八个领域出发介绍了代表性环境，详细分析了它们的发展路径并突出了其核心能力。其次，针对自动化环境合成，介绍了两种范式，即符号合成 (https://huggingface.co/papers?q=symbolic%20synthesis) 与神经合成 (https://huggingface.co/papers?q=neural%20synthesis)。本文还展示了每种范式下不同的环境评估方法。第三，讨论了从智能体-环境协同进化 (https://huggingface.co/papers?q=agent-environment%20co-evolution)视角出发的相应环境应用。具体而言，本文从四个互补角度描述了动态环境中智能体进化的主要路径：以记忆为中心的经验进化 (https://huggingface.co/papers?q=memory-centric%20experience%20evolution)、以编排为中心的工作流进化 (https://huggingface.co/papers?q=orchestration-centric%20workflow%20evolution)、以轨迹为中心的离线进化 (https://huggingface.co/papers?q=trajectory-centric%20offline%20evolution) 以及以探索为中心的在线进化 (https://huggingface.co/papers?q=exploration-centric%20online%20evolution)。并识别了三种环境进化范式，即神经驱动、难度驱动和规模驱动方法。最后，讨论了几个有前景的未来方向，包括环境即服务 (Environment-as-a-Service)、多智能体环境和神经符号环境 (Neural-Symbolic Environments)。

查看 arXiv 页面 (https://arxiv.org/abs/2606.12191) 查看 PDF (https://arxiv.org/pdf/2606.12191) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2606.12191)

引用本文的模型 0

没有模型关联此论文

请在模型 README.md 中引用 arxiv.org/abs/2606.12191 以从本页建立链接。

引用本文的数据集 0

没有数据集关联此论文

请在数据集 README.md 中引用 arxiv.org/abs/2606.12191 以从本页建立链接。

引用本文的 Spaces 0

没有 Space 关联此论文

请在 Space README.md 中引用 arxiv.org/abs/2606.12191 以从本页建立链接。

包含本文的收藏 0

没有包含此论文的收藏

请将这篇论文添加到收藏 (https://huggingface.co/new-collection) 中以从本页建立链接。