Skill-as-Pseudocode: Refactoring Skill Libraries to Pseudocode for LLM Agents
本文提出了“技能即伪代码”（SaP），这是一种自动方法，可将自由形式的 Markdown 技能库转换为具有确定性验证的强类型伪代码，通过提供清晰的类型签名和具体的调用模板，使大语言模型智能体在 ALFWorld 基准测试中实现显著更高的成功率和更低的令牌消耗。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在教一个非常聪明但字面理解的机器人如何做家务，比如打扫房子或整理厨房。你给机器人一本用普通英语（Markdown 格式）写成的巨大且杂乱无章的说明书。
问题：“困惑循环”
每当机器人需要执行某项任务时，它都必须通读冗长的段落文本，以弄清楚两件事：
- 任务是什么（例如，“移动杯子”）。
- 如何精确地向房屋计算机系统表述（例如，系统只接受命令
move mug to shelf，而不接受put mug on shelf）。
由于指令被埋藏在段落中，机器人经常猜错。它尝试“放置”杯子，房屋系统回应“无反应”，机器人便陷入困惑。随后它重新查阅说明书，再次猜错，从而陷入失败的循环。这浪费了时间，并导致机器人耗尽能量（或在 AI 术语中称为“令牌”）。
解决方案：“技能即伪代码”（SaP）
本文作者创建了一个名为**技能即伪代码（Skill-as-Pseudocode, SaP）**的系统。你可以将其视为一种“翻译器”，它将杂乱的人类说明书重写为机器人专用的整洁、结构化的速查表。
以下是该翻译器的工作原理，使用一个简单的类比：
1. 侦探（发现模式）
想象一位图书管理员翻阅数百本不同的说明书。他们注意到许多说明书以不同方式表达了相同的内容。
- 手册 A 说： “去厨房，拿起盐，把它放进橱柜。”
- 手册 B 说： “在柜台上找到盐，并将其移到碗柜。”
管理员意识到这些实际上是相同的底层动作。他们将这些相似的指令归入一个“簇”。
2. 架构师（起草蓝图）
对于每一组相似的指令，系统会要求人工智能起草一份类型化契约。
- 这不是段落，而是一份看起来像计算机函数的契约：
move_object(from: "counter", to: "cabinet")。 - 它清晰地列出：需要哪些输入？之后会发生什么？规则是什么？
3. 安全检查员（四项检查）
在系统允许机器人使用这份新蓝图之前，严格的安全检查员会执行四项具体检查，以确保翻译完美无缺：
- 覆盖性： 我们是否遗漏了原文中的任何重要细节？
- 绑定： 我们是否确切知道如何从原句中获取“盐”或“杯子”？
- 替换： 如果我们用这份新蓝图替换旧段落，说明书的其余部分是否仍然通顺？
- 风险： 这条新指令是否会意外指示机器人执行危险操作（例如删除文件或打破窗户）？
如果蓝图通过所有四项检查，它便会获得批准。如果哪怕有一项未通过，它就会被丢弃，以防止机器人陷入困惑。
4. 交付（“捆绑包”）
当机器人需要执行任务时，它不会收到那份旧而杂乱的说明书。相反，它会收到一个包含三部分的捆绑包，并按完美顺序呈现：
- “操作指南”模板： 机器人必须输入给房屋计算机的确切措辞（例如
move {object} to {target}）。 - “是什么”签名： 对该技能功能的清晰总结。
- 上下文： 其余指令，现已清理完毕，以免与新模板产生矛盾。
结果
研究人员在名为ALFWorld的游戏中测试了该方法，在该游戏中，AI 代理需要解决家庭谜题。
- 旧方法（技能图）： 机器人阅读杂乱的说明书，猜错，陷入循环，经常失败。
- 新方法（SaP）： 机器人获得了整洁的“速查表”。它立即知道该做什么以及如何表述。
结果：
- 使用新方法，机器人解决了134 个游戏中的 82 个，而旧方法仅解决了47 个。
- 它还使用了少 22% 的内存，并减少了 14% 的 AI 大脑调用次数，因为它在陷入困境时无需反复重读说明书。
简而言之：
本文表明，如果你不再向 AI 代理提供冗长杂乱的段落，而是提供结构化且经过验证的“类代码”指令，它们就不会再感到困惑，不再犯错，并能更快地完成任务。该系统就像一个严谨的编辑，将人类散文转化为机器人可用的蓝图。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。