面向代理任務的以對象為中心的環境建模
大型語言模型代理可以通過積累經驗來改進，但自由形式的文本記憶難以維護、驗證和重用。本文提出以對象為中心的環境建模（OCM），將經驗組織成可執行的對象中心環境模型。OCM維護兩個相連的代碼庫：對象知識（用Python類定義環境實體和機制）和過程知識（記錄可重用的交互模式）。實驗表明，OCM在基準測試中取得最佳平均排名，並減少了無效動作。
大型語言模型（LLM）代理在複雜環境中的交互過程中積累經驗，能夠逐步提升性能。然而，傳統的基於自由形式文本的記憶機制隨着交互歷史的增加變得難以維護、驗證和重用，尤其是在動態變化的環境中。近期，研究者們嘗試通過符號化方法學習可執行技能或構建程序化世界模型，但這些方法通常只存儲局部過程或對動態特性做了簡化假設，限制了其泛化能力。針對這一挑戰，Yiyang Li等人在2026年7月提交的論文中提出了一種名為“面向代理任務的以對象為中心的環境建模”（Object-Centric Environment Modeling, OCM）的新方法。OCM的核心思想是將代理的交互經驗組織成一個可執行的對象中心環境模型，該模型由兩個相互關聯的代碼庫構成：對象知識庫（用Python類定義環境中的實體、屬性及其交互機制）和過程知識庫（記錄可重用的交互模式，這些模式必須導入並使用對象模型）。OCM以在線方式工作：在每個交互片段（episode）結束後，代理會反射整個軌跡，基於新獲得的經驗更新對象知識庫和過程知識庫，並自動驗證所有過程是否能夠在更新後的對象模型上正確執行。這種驗證機制確保了知識庫的一致性和可靠性。在未來的交互中，代理採用漸進知識披露策略——首先檢查簡潔的代碼簽名（類似於函數聲明），僅當需要時才讀取完整的源代碼，從而在效率和準確性之間取得平衡。實驗結果表明，OCM在多個基準測試中取得了最佳平均排名，同時顯著減少了無效動作的比例。這一工作表明，通過構建以對象為中心的環境模型，LLM代理能夠更有效地利用經驗，提升在複雜任務中的自適應能力，為未來智能體系統的發展提供了新的方向。