推荐使用LLM-Planner：大型语言模型驱动的少样本实体智能体规划器

推荐使用LLM-Planner：大型语言模型驱动的少样本实体智能体规划器

LLM-PlannerCode for LLM-Planner: Few-Shot Grounded Planning for Embodied Agents with Large Language Models 项目地址:https://gitcode.com/gh_mirrors/ll/LLM-Planner

项目介绍

LLM-Planner 是一个创新性的开源项目，它利用大型语言模型进行少样本接地规划，适用于有身体的智能体任务。该项目源自于OSU-NLP团队的研究成果，并在arXiv论文中详细阐述。其目标是通过与大型语言模型（如GPT-4）的交互，实现对复杂环境的高效导航和任务完成。

项目技术分析

LLM-Planner的核心是一个高级计划器，配备了KNN数据集和KNN检索器，可快速响应各种场景下的任务指令。此外，项目还提供了一个Oracle低级计划器，以支持更精细的操作。未来版本将包括一个HLSM低级计划器以及对非OpenAI基金会模型的支持。项目采用Python编写，依赖于AI2Thor模拟器和ALFRED框架，提供了易于设置的框架来搭建基于LLM或LMM的方法。

项目及技术应用场景

LLM-Planner在人工智能和机器人领域有着广泛的应用前景，特别是在需要实体智能体执行任务的虚拟环境中。例如，在家居环境中的物体搜索、整理房间，或者在复杂的迷宫中寻找路径等。借助大型语言模型的能力，该系统可以理解自然语言命令，制定并执行有效策略，即便是在少数示例条件下也能表现出色。

项目特点

1. 高效规划：结合大型语言模型的强大推理能力，能够进行少样本学习，快速适应新任务。
2. 模块化设计：高级计划器与低级计划器分离，便于扩展和定制。
3. 易用性：提供清晰的安装步骤和数据下载指南，内置了验证脚本以确保正确设置。
4. 广泛应用：不仅支持OpenAI的基础模型，未来还将兼容更多类型的模型，拓宽应用边界。
5. 开放源码：遵循MIT许可证，鼓励社区参与和贡献，推动相关领域的研究进步。

如果你正在寻找一种能够利用大型语言模型进行实体智能体规划的解决方案，LLM-Planner无疑是值得一试的选择。立即克隆项目，开始你的探索之旅吧！

获取项目

git clone https://github.com/OSU-NLP-Group/LLM-Planner
cd LLM-Planner
export ALFWORLD_DATA="$(pwd)/alfworld/data"

安装要求

cd alfworld
pip install .
cd ../src
pip install -r requirements.txt

开始评估

export OPENAI_KEY=<你的OpenAI密钥>
cd ../src
python run_eval.py --config gpt4_base_config.yaml

我们期待你在使用LLM-Planner的过程中取得成功！如有任何问题或反馈，请查阅常见问题解答，或直接联系项目负责人Luke Song。

LLM-PlannerCode for LLM-Planner: Few-Shot Grounded Planning for Embodied Agents with Large Language Models 项目地址:https://gitcode.com/gh_mirrors/ll/LLM-Planner