基于科尔布体验式学习的通用智能体：达到人类水平的Kaggle数据科学性能
机器学习
2025-09-16 v3 人工智能
摘要
人类专业知识通过交互、反思和内部模型更新的迭代循环而涌现，这是科尔布体验式学习和维果茨基最近发展区等认知理论的核心。相比之下，当前的AI系统，特别是LLM智能体，依赖于静态预训练或刚性工作流程，缺乏持续适应的机制。最近的研究在LLM智能体中识别出早期认知特征(反思、修正和自我纠正)，这表明了类似人类体验式学习的基本要素。因此，关键问题是：我们能否设计出能够像人类过程一样进行结构化、基于认知学习的LLM智能体？为此，我们提出了一个基于科尔布学习循环和维果茨基最近发展区的自主智能体计算框架。我们的架构分离了外在(环境交互)和内在(内部反思/抽象)功能，实现了基于认知的支架式学习，其中智能体最初在结构化环境中学习，随后进行开放式泛化。这种方法使智能体能够掌握传统微调或简单反思方法无法有效处理的复杂任务和领域。其潜力通过在现实世界Kaggle数据科学竞赛中与人类的直接比较得到了有力证明。我们的系统Agent K在81个任务中学习完全自动化的数据科学代码生成，展示了自主执行整个工作流程的能力，获得了1694的Elo-MMR分数，超过了我们研究中Kaggle大师(前2%，共20万用户)的中位数分数。凭借9金、8银和12铜级别的表现——包括在获奖竞赛中获得4金4银——Agent K是第一个成功整合受科尔布和维果茨基启发的人类认知学习的AI系统，标志着向通用人工智能迈出了重要一步。
引用
@article{arxiv.2411.03562,
title = {Kolb-Based Experiential Learning for Generalist Agents with Human-Level Kaggle Data Science Performance},
author = {Antoine Grosnit and Alexandre Maraval and Refinath S N and Zichao Zhao and James Doran and Giuseppe Paolo and Albert Thomas and Jonas Gonzalez and Abhineet Kumar and Khyati Khandelwal and Abdelhakim Benechehab and Hamza Cherkaoui and Youssef Attia El-Hili and Kun Shao and Jianye Hao and Jun Yao and Balázs Kégl and Haitham Bou-Ammar and Jun Wang},
journal= {arXiv preprint arXiv:2411.03562},
year = {2025}
}