基于大模型的 Agent，已經成爲了大型的博弈遊戲的高級玩家，而且玩的還是德州撲克、21 點這種非完美信息博弈。
來自浙江大學、中科院軟件所等機構的研究人員提出了新的 Agent 進化策略，從而打造了一款會玩德州撲克的 " 狡猾 " 智能體 Agent-Pro。
通過不斷優化自我構建的世界模型和行爲策略，Agent-Pro 掌握了虛張聲勢、主動放棄等人類高階遊戲策略。
Agent-Pro 以大模型爲基座，通過自我優化的 Prompt 來建模遊戲世界模型和行爲策略。
相比傳統的 Agent 框架，Agent-Pro 能夠變通地應對複雜的動态的環境，而不是僅專注于特定任務。
而且，Agent-Pro 還可以通過與環境互動來優化自己的行爲，從而更好地達成人類設定的目标。
同時作者還指出，在競争、公司談判和安全等現實世界中遇到的情景，大多可以抽象爲 multi-agent 博弈任務，而 Agent-Pro 通過對這類情境的研究，爲解決衆多現實世界的問題提供了有效策略。
那麽，Agent-Pro 在博弈遊戲中的表現究竟如何呢？
進化出遊戲世界模型
在研究中，作者使用了 "21 點 " 和 " 有限注德州撲克 " 這兩款遊戲對 Agent 進行了評估。
首先簡要介紹下兩個博弈遊戲的基本規則。
21 點
遊戲中包含一個莊家和至少一名玩家。
玩家可以看到自己的兩張手牌 , 以及莊家的一張明牌，莊家還隐藏了一張暗牌。玩家需要決定是繼續要牌（Hit）還是停牌（Stand）。
遊戲的目标是在總點數不超過 21 點的前提下，盡量使總點數超過莊家。
有限注德州撲克
遊戲開始階段爲 Preflop 階段，每位玩家将獲得兩張隻屬于自己且對其他玩家保密的私牌（Hand）。
随後，會有五張公共牌面 ( Public Cards ) 依次發出：首先翻牌（Flop）3 張，其次轉牌（Turn）1 張，最後是河牌 ( River）1 張。
玩家有四種選擇：棄牌（fold）、過牌（check）、跟注（call）或加注（raise）。
目标是利用自己的兩張 Hand 和五張 Public Cards 任意組合，盡可能構造出最佳的五張撲克牌組合。
在 "21 點 " 當中，同樣是使用 GPT-4 作爲基礎模型，Agent-Pro 的表現超過了 ReAct 框架。
在手牌相同的情況下，二者的表現如下圖所示。
Agent-Pro 通過分析得出自我信念（Self-Belief）和對外部世界的信念（World-Belief），正确認識到自己的手牌已接近 21 點，合理的選擇了停牌。
而 ReAct 則未能及時停牌，導緻最終爆牌，輸掉了遊戲。
從遊戲中能夠看出 Agent-Pro 更好的理解了遊戲的規則，并給出了合理的選擇。
接下來再看看在德州撲克中 Agent-Pro 的表現。
一次牌局中，參賽選手分别是訓練後的 DQN、DMC 策略，原生 GPT3.5 和 Agent-Pro（基于 GPT-4），他們的手牌和公共牌如下圖所示：
△S、H、C、D 分别代表黑桃、紅桃、梅花、方塊
在當前遊戲狀态（Current game state）下，Agent-Pro 分析得出 Self-Belief、World-Belief 和最終的 Action，并随着遊戲狀态的變化，不斷更新 Belief，根據自身和對手的情況，做出靈活合理的選擇。
△相同牌局同一位置的 Baseline（原始大模型）結果爲 -13
統計數據上看，21 點遊戲中，在使用 GPT、Llama 等多種大模型的情況下，Agent-Pro 的表現都顯著超過了原始模型和其他參與對比的 Agents 框架。
在更爲複雜的德州撲克遊戲中，Agent-Pro 不僅超過了原始大模型，還擊敗了 DMC 等訓練後的強化學習 Agent。
那麽，Agent-Pro 是如何學習和進化的呢？
三管齊下提高 Agent 表現
Agent-Pro 包括 " 基于信念的決策 "" 策略層面的反思 " 和 " 世界模型和行爲策略優化 " 這三個組件。
基于信念的決策（Belief-aware Decision-making）
Agent-Pro 根據環境信息，首先形成 Self-Belief 和 World-Belief，然後基于這些 Belief 做出決策（Action）。
在後續環境交互中，Agent-Pro 動态更新 Belief，進而使做出的 Action 适應環境的變化。
例如，德州撲克遊戲中：
環境信息可包括手牌（Private State）、公共牌（Public State）、行動軌迹（Trajectory）等；
Agent-Pro 對手牌（State）、出牌計劃（Plan）及潛在風險（Risk）的預估等信息構成了它的 Self-Belief；
而 Agent-Pro 對對手（Opponent）、環境（Environment）和規則（Rule）的理解則構成了它的 World-Belief；
這些 Belief 在每一個決策周期中都會被更新，從而影響下個周期中 Action 的産生
策略層面的反思（Policy-Level Reflection )
與人類一樣，Agent-Pro 會從曆史經驗、曆史認知和曆史結果中進行反思和優化。它自主調整自己的 Belief，尋找有用的提示指令，并将其整合到新的策略 Policy 中。
首先，Agent-Pro 以文字的形式設計了一個對任務世界的建模以及對行爲準則的描述， 他們一起被當做 Policy：
World Modeling：任務世界的建模，例如對遊戲環境的理解、對手們的風格分析、環境中其他 Agent 的策略估計等；
Behavioral Guideline：行爲準則的描述，例如對遊戲目标的認識、自己策略規劃、未來可能面臨的風險等
其次，爲了更新 World Modeling 和 Behavioral Guideline，Agent-Pro 設計了一個 Policy-level Reflection 過程。
與 Action-level Reflection 不同，在 Policy-level 的反思中，Agent-Pro 被引導去關注内在和外在信念是否對齊最終結果，更重要的是，反思背後的世界模型是否準确，行爲準則是否合理，而非針對單個 Action。
例如，德州撲克遊戲中 Policy-level 的反思是這樣的：
在當前世界模型和行爲準則 ( World Modeling & Behavioral Guideline ) 的指導下，Agent-Pro 觀察到外部狀态，然後生成 Self-Belief 和 World-Belief，最後做出 Action。但如果 Belief 不準确，則可能導緻不合邏輯的行動和最終結果的失敗；
Agent-Pro 根據每一次的遊戲來審視 Belief 的合理性，并反思導緻最終失敗的原因（Correct，Consistent，Rationality …）；
然後，Agent-Pro 将反思和對自身及外部世界的分析整理，生成新的行爲準則 Behavioral Guideline 和世界建模 World Modeling；
基于新生成的 Policy（World Modeling & Behavioral Guideline），Agent-Pro 重複進行相同遊戲，來進行策略驗證。如果最終分數有所提高，則将更新後的 World Modeling & Behavioral Guideline 和保留在提示中。
世界模型和行爲準則的優化（World Modeling & Behavioral Guideline Evolution）
在 Policy-level Reflection 之上，面對動态的環境，Agent-Pro 還采用了深度優先搜索（DFS）和策略評估，來持續優化世界模型和行爲準則，從而找到更優的策略。
策略評估是指 Agent-Pro 在新的采樣的軌迹中對新 Policy 進行更全面的評估，從而考察新策略的泛化能力。例如，德州撲克遊戲中，新采樣多條遊戲軌迹。
通過交換玩家位置或手牌，來消除由于運氣帶來的随機因素，從而更全面評估新策略的能力。
而 DFS 搜索則在新策略不能在新的場景中帶來預期的改進（策略評估）時使用，按照 DFS 搜索策略，從其他候選策略中尋找更優的策略。
論文地址：
https://arxiv.org/abs/2402.17574
Github:
https://github.com/zwq2018/Agent-Pro
