Q-Learning 在 Agent 的应用

作者：周舒畅，AI 工程师来自：青稞AI

OpenAI 宫斗告一段落，现在到处都在猜 Q* 是什么。本文没有 Q* 的新料，但是会探讨一下 Q-Learning 在 Agent 方面的可能应用。

有趣的分享！LLMs时代下，幻觉、对话、对齐、CoT、Agent和事实性评估等领域的前沿研究

实现 tool 自动选择和参数配置

经典的文字模型我们已经很熟悉了：训练时，模型不停的预测下一个 token 并与真实语料比较，直到模型的输出分布非常接近于真实分布。

因为语言模型的局限性（比如搞不定大数计算），所以多家大模型公司走上了语言模型 + 工具的道路。比如 GPT4-turbo 就可以灵活调用网络搜索、Analysis（某种 Python）这些 tools，来生成 tool response（即网络搜索结果、Python 执行结果），来帮助回答文字问题。

这就引入了一个决策问题，对于一个用户表达（utterance），到底要不要做网络搜索或者调用 Python 来帮助回答呢？如果决策错误，则结果不最优：

•工具的响应结果（tool response）可能无济于事甚至产生误导。比如有一些网络上的玩梗会影响模型对一些基本概念的知识。•工具的调用引入了额外的时间消耗。

因此，好好搞一些标注，训一个“动作决策”模型，能拿到第一波好处。这是有监督学习的思路。这里动作决策模型的输出，是具体的含参数的动作，比如调用网络搜索时，需要给出“是否搜索”和“搜索关键字”两部分信息。因此动作决策模型最好也是个大模型。这么搞的问题，是上限不高，受制于“动作决策模型”的标注质量，并且并没有直接优化“模型输出”，需要人绞尽脑汁来针对模型调整“动作决策模型”的标注来达到最优。比如对于网络搜索，当搜索引擎不同时，需要为“动作决策模型”使用不同的搜索关键字作为标注。

但从另一个角度，虚线框内的部分，仍然是一个文字进文字出的"模型"，所以理论上可以用降低输出结果的困惑度的方法，按强化学习（RL）去训练这个复合了工具的“语言模型”。这里因为“动作的决策”不可微，所以来自“模型输出”的梯度只能用 RL 往回传。使用 RL 的具体步骤为：

•利用标注训练“动作决策模型”，使得整体有一定效果，即完成行为克隆（behavior cloning）这一启动步。•用强化学习继续训练整体，即复合了工具的“语言模型”。

Reward 由几项组成：

•利用<用户输入、模型输出>这样的成对数据（格式上接近 SFT 数据），计算困惑度•如果有用户偏好数据，也可以仿照 DPO 构造不同动作间的对比数据项。•把调用工具的时间和成本代价，折算进 Reward

实际，以上相当于使用了 Q-learning 的一个简单变体 DDPG，即假设存在函数映射μ使得μ(当前状态) = 最优工具调用动作与参数如果不做这个假设，还是使用 Q(s, a) 的形式，则更接近 Reward Model 的搞法。

这里一个附送的好处，是可以做层级强化学习（hierarchical RL），就是说可以在工具调用中嵌套工具调用，比如一个网络搜索中嵌套网络搜索。因为上面在 Reward 里计入了“调用工具的时间和成本代价”，所以优化后的模型不太会出现盲目使用工具的情况。同时 RL 天然能处理多步决策，所以不特别需要研究“多轮交互时的动作决策模型标注“。

引入动态拆分任务

以上的 tool 调用，特别是网络搜索和 Python 执行，主要是为模型输出产生一些参考，因此本质上没有互斥性，就是说各个动作间没有强依赖。我们下面考虑一个动作间有强烈互相影响的场景：“任务拆分”。

当用户输入复杂到一定程度，我们需要引入拆分。静态拆分不需要特殊处理，但是如果希望子任务是跟据动态执行时获得的信息动态调整的，则要引入一个任务栈来进行管理。之前 AutoGPT 即引入了动态拆分子任务，基于语言模型实现了一定的 Agent 能力。但是一直以来 AutoGPT 并没有通过“训练”来加强能力的方法。下面，我们先把 AutoGPT 搬到 RL 里，一个搞法是借助 MCTS（蒙特卡洛搜索树）。

根结点是当前任务。各个叶子结点有 expandable 和 terminal 两个属性，其中 expandable 结点可以进一步被展开成子任务。注意

•MCTS 里 sibling 结点之间是或关系，选一即可。•MCTS 的 Policy Network 对应上文中的“动作决策”模型。•MCTS 里的 Value Network 可以用一大模型实现，描述当前结点的价值。比如发现当前子任务是死胡同时（如发现模型在用穷举法证明“偶数加偶数还是偶数”时）可以喊停。•上文的工具调用“模型”可以自然地嵌入到这里使用

子任务拆分没什么可用的数据，可以先靠语言模型天赋能力开始。训练数据可以选有明确答案的题，以答对为 Reward。MCTS 的形式特别适用需要回溯的任务（把某种任务分解推倒重来），比如数学计算。

(到这，我们得到了一个用 Q-learning 整体驱动的，自动学习如何拆任务调工具的框架，似乎和 Q* 公开的一些线索对上了一些。)

继续阅读

阅读原文