Агент Брю: агент по использованию инструментов в открытом режиме, обучающийся на основе первичных реальных мировых траекторий

arXiv: 2609.05837v1 Annualection Type: New Humber: LLM-агенты все чаще используются в реальных прикладных программах с использованием инструментов API, однако их обучение конкретным средам попрежнему остается крайне трудным: реальные приложения не предусматривают заранее определенных задач или проверок, никаких верных тренажеров и ограниченных бюджетных средств для крупномасштабного взаимодействия с окружающей средой. В настоящем документе мы предлагаем intextbf {AgentBrew} — офлайновую программу подготовки, которая учится эффективной политике использования инструментов на основе одной партии первичных траекторий взаимодействия без контрольных задач или итеративных развертываний в рамках политики. Сначала агент изучает целевую среду для сбора необработанных траекторий, не фильтруя качества. Чтобы извлечь тренировочный сигнал из этого шумного корпуса, mph [ретроспективный вывод} восстанавливает унифицированную инструкцию по каждой траектории на основе ее фактического результата и emph {PMI-Control Dection} размножает всю информацию о предполагаемой инструкции в добавление