Molly：让大型语言模型代理更逻辑地解决Python问题
计算与语言
2024-12-25 v1
摘要
将大型语言模型(LLM)作为教学助手引起广泛关注，作为智能教育的重要组成部分，尤其是在计算课程中。为缩小LLM与计算机编程教育专家之间的差距，微调和检索增强生成(RAG)是现有研究中的两种主流方法。然而，针对特定任务进行微调需要大量资源，并且可能削弱模型的通用性。RAG可以在减少LLM幻觉方面表现良好，但在推理期间生成无关的事实内容会导致学习者产生显著混淆。为解决这些问题，我们引入Molly智能体，专注于解决学习者在学习Python编程语言时遇到的问题。我们的智能体通过基于情景的交互自动解析学习者的提问意图，使能够从构建的知识库中精准检索相关文档。在生成阶段，智能体反思生成的响应，以确保它们不仅符合事实内容，而且有效回答用户的查询。针对构建的中文Python问答数据集进行的大量实验表明，Molly智能体的有效性，表明其在提供对Python问题有用的响应方面具有提高性能。
引用
@article{arxiv.2412.18093,
title = {Molly: Making Large Language Model Agents Solve Python Problem More Logically},
author = {Rui Xiao and Jiong Wang and Lu Han and Na Zong and Han Wu},
journal= {arXiv preprint arXiv:2412.18093},
year = {2024}
}
备注
arXiv admin note: text overlap with arXiv:2402.07913