arXiv cs.AI· Dongyin Zhuo, Fengjunjie Pan, Nenad Petrovic, Alois Knoll·· 11 小时前AI 评分24
Porimon：基于长短期知识增强生成（LSTKAG）的 LLM 宝可梦对战智能体
Porimon: An LLM-Based Pok\'emon Battle Agent Enhanced by Long/Short-Term Knowledge Augmented Generation
AI 导读
研究者提出长短期知识增强生成机制 LSTKAG，并据此设计 LLM 宝可梦对战智能体 Porimon，无需额外微调即可利用当前任务的历史状态并检索相似任务的经验摘要。在 15,000 场锦标赛式对战中，经超参数优化的 Porimon 显著优于此前研究提出的 PokéLLMon 和基于规则的启发式玩家。消融实验显示，扩展游戏信息检索的变体表现更好，但长期 KAG 的贡献尚无定论。
正文 · AI 翻译
摘要：本文以宝可梦对战为案例，研究如何在不进行额外微调的情况下提升基于 LLM 的智能体在需要对手感知规划的任务中的表现。我们提出长/短期知识增强生成（LSTKAG），该机制使基于 LLM 的智能体能够利用当前任务的过往状态，并基于当前状态从相似的先前任务实例中检索经验总结。基于 LSTKAG，我们设计了 Porimon，一种用于宝可梦对战的基于 LLM 的智能体结构。在优化方面，我们引入外部 API 以实现精确的伤害计算和更详细的游戏信息。我们开展了类似锦标赛的评估实验，包含 15,000 场对战，用于超参数优化、消融研究和性能评估。结果表明，经过超参数优化的基于 Porimon 的玩家显著优于基于 PokéLLMon（先前研究中提出的一种基于 LLM 的智能体结构）的玩家以及基于规则的启发式玩家。此外，我们的消融研究表明，Porimon 的变体优于未扩展游戏信息检索的版本，这体现了该扩展的贡献。然而，当前实验结果在长期 KAG 的贡献方面尚无定论。这些结果表明，引入外部资源、当前任务过往状态的信息以及相似先前任务实例的经验总结，可以提升为需要对手感知规划的任务而设计的基于 LLM 的智能体的性能。
| 评论： | 6 页，5 幅图，已被 FLLM 2026 接收 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2609.32544 [cs.AI] |
| （或本版本的 arXiv:2609.32544v2 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2609.32544 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Dongyin Zhuo [查看邮箱]
[v1]
2026 年 9 月 26 日星期六 12:22:58 UTC（376 KB）
[v2]
2026 年 10 月 15 日星期四 19:54:57 UTC（390 KB）
来源：arXiv cs.AI · arxiv.org