迈向自适应物理人工智能：法学硕士代理可以管理长期物理任务吗？

摘要

arXiv:2609.13436v1 Announce Type: new Abstract: Large Language Model (LLM) agents offer a promising path toward autonomously managing long-term physical tasks without human intervention. However, phys...

agents and physical the tasks environment that under LLM promising

2026-09-15 1 阅读约1分钟阅读 Varun Kaushik, Yayun Tan, Xiaofan Yu

arXiv:2609.13436v1 公告类型：新摘要：大型语言模型 (LLM) 代理为在无需人工干预的情况下自主管理长期物理任务提供了一条有希望的道路。然而，物理任务要求智能体持续观察环境，采取相应的行动，并随着环境的变化保持有效。现有方法要么需要大量数据和再培训，要么主要关注在虚拟世界中运行的代理。在这项工作中，我们探索了构建自适应物理人工智能代理的可行性，该代理以零样本的方式管理长期物理任务，并在无需人工干预的情况下适应环境变化。我们设计了一个集规划、工具调用、观察和验证于一体的多智能体框架，并在不同天气模式下针对强化学习（RL）智能体对农业任务进行评估。我们的结果表明，在相同的天气模式下，零样本 LLM 智能体可以实现与 RL 智能体相当的管理结果，并且在变化的环境下评估时比 RL 更有效地适应，这凸显了通往自适应物理 AI 智能体的一条有希望的道路。

订阅66必读