基于大语言模型的复杂任务自主规划处理框架

• Published in: 自动化学报 Vol. 50; no. 4; pp. 862 - 872
• Main Authors: 秦龙, 武万森, 刘丹, 胡越, 尹全军, 阳东升, 王飞跃
• Format: Journal Article
• Language: Chinese
• Published: 青岛智能产业技术研究院 青岛 266000 01.04.2024; 国防科技大学系统工程学院 长沙 410073%暨南大学公共/应急管理学院 广州 510632%中国科学院自动化研究所复杂系统管理与控制国家重点实验室 北京 100190
• Subjects: deep learning; 工具调用; 深度学习; 多步推理; 大语言模型; Large language models(LLMs); tool-use; multi-hop reasoning
• ISSN: 0254-4156
• DOI: 10.16383/j.aas.c240088

随着深度学习和自然语言处理技术的进步,大语言模型(Large language models,LLMs)展现出巨大潜力.尽管如此,它们在处理复杂任务时仍存在局限性,特别是在任务需要结合规划及外部工具调用的场合.面向这一挑战,提出国内首个以军事游戏为背景的中文的复杂任务规划与执行数据集(Complex task planning and execution dataset,CTPaE),以及一个基于LLMs的自主复杂任务规划(Complex task planning,CTP)处理框架AutoPlan.该框架可以对复杂任务进行自主规划得到元任务序列,并使用递进式ReAct提示(Progressive ReAct prompting,PRP)方法对已规划的元任务逐步执行.该框架的有效性通过在CTPaE上的实验及与其他经典算法的比较分析得到了验证.项目地址:https://github.com/LDLINGLINGLING/AutoPlan.