O artigo apresenta o WorldEvolver, uma estrutura que equipa agentes LLM de longo horizonte com previsão confiável ao revisar o contexto no momento da implantação, sem modificar os parâmetros do modelo. Ele aborda o problema de previsões não confiáveis degradando a tomada de decisão por meio de uma abordagem autoevolutiva que melhora a fidelidade preditiva e o desempenho do planejamento.
- Memória Episódica recupera transições de ação reais para simulação.
- Memória Semântica extrai regras heurísticas persistentes das discrepâncias entre previsão e observação.
- Previsão Seletiva filtra previsões de baixa confiança antes da integração.
- Avaliado no ALFWorld e ScienceWorld, alcança a maior precisão de previsão em três backbones.
- Lidera outras baselines na taxa de sucesso do agente a jusante medida no AgentBoard.
Esta abordagem demonstra que a revisão de memória no tempo de teste melhora significativamente tanto a precisão das previsões do modelo de mundo quanto a taxa geral de sucesso das tarefas de planejamento do agente.