AgentGym

项目介绍：AgentGym

AgentGym是一个面向通用大型语言模型（LLM）代理的新颖框架，旨在支持多样化环境中广泛且实时的代理探索。该项目不仅能帮助研究社区评估和开发具有普遍能力的代理，还提供高质量的轨迹集和基准测试套件。

项目背景

在人工智能领域，创建能够在多样化任务中表现出色的通用代理是一个长期目标。大型语言模型因其强大的泛化能力，被认为是构建这种代理的理想基础。

AgentGym框架

AgentGym引入了一个多环境、多任务的探索框架，以统一的格式支持实时反馈和并发处理。其中包括14种环境，涵盖了从网页浏览、文本游戏到家庭任务、数字游戏和编程等多元任务类别。

• 环境和任务：例如，WebShop环境涉及在线购物场景，MAZE环境则是一个迷宫解谜任务，还有其他如文本游戏Wordle、科学模拟SciWorld等。
• 平台架构：AgentGym的架构采用分布式服务部署，环境通过不同的服务器或端口提供HTTP服务，与核心系统解耦。核心功能模块——AgentController负责评估代理、数据收集和训练。

关键组件

• AgentEval：这是一个评价代理性能的基准套件，能够帮助开发者评估代理在不同环境下的表现。
• AgentTraj：包括一个高质量的轨迹集，用于训练和测试代理模型的行为和决策能力。

使用方式

该项目提供了Python包agentenv，用户可以通过以下方式进行安装：

• 从PyPI安装：pip install agentenv

• 从源码安装：

  git clone --recursive https://github.com/WooooDyy/AgentGym
  cd ./AgentGym
  cd agentenv
  pip install -e .

安装后，用户可以根据需求进入不同的agentenv-*文件夹，阅读其中的README.md以获得更多使用说明。

教程和示例

项目提供了多种教程，涵盖评估（Evaluation）、行为克隆（Behavioral Cloning）以及AgentEvol方法。此外，用户还可以在项目的GitHub仓库中找到更多示例代码。

主要实验结果

实验结果显示，AgentGym框架下演化的代理能够达到与现有最先进模型（SOTA）相媲美的表现，展现了其在推动AI代理演化领域的潜力。

贡献与联系

如果您对AgentGym项目感兴趣或有任何疑问，欢迎通过以下邮箱联系项目组：zhxi22@m.fudan.edu.cn。

AgentGym期待社区开发者的参与和贡献，共同丰富和完善更多代理环境。