超越效用的LLM代理：开放性视角

最近的LLM代理大量运用了链式思考推理和函数调用。随着其能力的提升，一个重要问题浮现：这种软件能否代表不仅是一个聪明的解决工具，更是一个独立的实体，能够规划、设计即时任务并推理以达成更广泛、更模糊的目标？为研究此问题，我们采用开放式实验环境，对预训练的LLM代理进行增强，使其能够生成自身任务、累积知识并与环境进行广泛互动。我们对结果的开放式代理进行定性分析。它能够可靠地遵循复杂的多步骤指令，跨运行存储和重用信息，并提出并解决自身任务，尽管其对提示设计敏感，容易产生重复任务生成，无法形成自我表征。这些发现既展示了将预训练LLM适应为开放性的前景，也揭示了其当前限制，指向训练代理管理记忆、探索性地寻求和追求抽象长期目标的未来方向。