LLM agentləri üçün oyunların anlaşıla bilənliyi

LLM-ləri real oyunların işlənməsində istifadə edən geliştiricilər tez-tez divara toxunurlar. LLM-lər veb əsaslı steklərdə əla işləsə də, ənənəvi oyunların işlənməsində onların istifadəsi pis nəticələr verir. Oyunlar LLM-lər üçün gizli olan elementləri ehtiva edir, yəni standart modelləri onları effektiv oxumaq və dəyişdirmək mümkün deyil. Bunu düzəltmək üçün geliştiricilər oyunları AI agentləri üçün anlaşıla bilən edən belə harness-lər qurmalıdırlar.

Niyə LLM-lər oyunlarla çətinlik çəkir

LLM-lər oyunları standart vəziyyətlərində pis oxuyur. Veb tətbiqlərindən fərqli olaraq, ki, onlarda açıq kodun böyük miqdarı var, oyunlarda standartlaşdırılmış alətlər çatışmır və kodla asanlıqla ifadə olunmayan çox element var. Geliştiricilər LLM-ləri bu gizli elementləri idarə etməyə cəhd etdikdə, modellər məğlub olur. Əsas problem kontekst problemidir. Oyunlar yalnız kod olmadığı üçün, kodla işləyən mövcud harness-lər kifayət deyil. Geliştiricilərə oyunun qara qutusunu açmaq və onun daha böyük hissəsini LLM üçün birbaşa əlçatan etmək lazımdır.

Determinizm və bərpa oluna bilən vəziyyətlər

Oyunun agent üçün anlaşıla bilən olması üçün determinizm əsasdır. Oyun konkret vəziyyəti asanlıqla və dəqiq bərpa etməlidir. Bu, təsadüfi mənbəyin seed-inin mövcud olmasını tələb edir ki, qeyri-deterministik funksiyalara hər çağırış bu mənbədən istifadə edə. Əgər kod təsadüri float funksiyasını 30-cu yerdə çağırırsa, 30-cu çağırış hər dəfə identik olmalıdır. Bərpa oluna bilən vəziyyətlər agentlərə sıfırdan təkrarlanan eyni nöqtəyə çatmağa imkan verir ki, dəyişiklikləri yoxlasınlar. Həmçinin daxili screenshot API-lərini təklif edilir. UI və gameplay təbəqələrinin daxil edilməsi-sıxışdırılması vizual azaltır və LLM-ə hansı təbəqə üzərində işlədiyini fokuslamağa imkan verir.

Oyunların AI üçün anlaşıla bilən edilməsi

Screenshotlar vasitəsilə vizual qiymətləndirmə kontekst itirilməsinə səbəb ola bilər. Multimodal modellərlə belə bütün screenshot-dan dəyişiklikləri anlamaq çətinlik çəkir, bu kontekstin çirkənməsinə bənzəyr. Şəkilləri tam göstərmək əvəzinə, geliştiricilər şəkil diffinqindən istifadə etməlidir. odiff kimi alətlər iki şəkli qarşılaşdıraq və sayısal fərqi çıxara bilər, məsələn, 85 faiz oxşar. Bu LLM-ə hər dövrədə proqresi qiymətləndirmək üçün sabit baseline verir, hal-hazırkı vəziyyət ilə hədəf şəkli arasındakı fərri azaltmağa çalışarkən.

Agentlər üçün arxitektura: Thing Driven Development

Arxitektur seçiminin də əhəmiyyəti var. Dərin obyekt oriyentli proqramlaşdırma iyerarxiyalarının AI agentlərində saxlanması, onlar harada dəyişiklik edəcəklərini müəyyən etməyə çalışarkən qarışıqlığa səbəb olur. Bunun əvəzinə, geliştiricilər Thing Driven Development qurmalıdır. Bu, hər şeyin tək tip obyekt, yəni Thing, stat dəyərləri və type enum ilə olduğu deməkdir. AI bunu bəyənir, çünki bir həqiqət mənbəyi var. Sinifi genişləndirmək və ya yeni yaratmaq barədə qeyri-müəyyənlik yoxdur. Saxlama və yükləmə də triviallaşır. Oyun sadəcə Thing-lərin nəhəng siyahısına çevrilir, ki, bir yolla serializasiya olunur. Bu obyektlərdə dəyişiklikləri qeyd etmək Command Pattern istifadə etməklə mümkündür, modifikasiyaların serializasiya oluna bilən command obyektləri kimi saxlanması ilə.

Mənbələr: kylekukshtel.com