使用场景

在Open Table上进行的预订实验，成功率高达95.4%。

开发者可以利用Agent Q进行复杂的网络数据收集和分析任务。

消费者可以使用Agent Q进行自动化的在线预订和查询服务。

产品特色

引导搜索与MCTS：自主生成数据，探索不同动作和网页，平衡探索与利用。

AI自我批评：在每一步提供反馈，优化决策过程，对长期任务至关重要。

直接偏好优化（DPO）：通过构建偏好对，从MCTS生成的数据中进行模型微调。

强化学习：利用人类反馈进行模型训练，提高多步推理任务的泛化能力。

自主数据收集：在Open Table上进行的预订实验中，显著提升了LLaMa-3模型的零样本性能。

在线搜索集成：进一步提升了模型在复杂环境中的成功率。

使用教程

1. 注册并获取Agent Q的访问权限。

2. 根据需求设置Agent Q的任务目标和参数。

3. 启动Agent Q，让其进行自主的数据收集和任务执行。

4. 监控Agent Q的性能，根据反馈进行调整优化。

5. 利用Agent Q的输出结果进行进一步的分析或决策。