發表時間：2024(ICLR 2024)
文章要點：文章提出Retroformer,用策略梯度的方式調優prompt，更好的利用環境的reward。大體思路是學習一個retrospective LLM，將之前的軌跡和得分作為輸入，得到一個新的prompt，這個prompt綜合分析了之前的經驗，從而提供一個更好的prompt。然后不斷和環境交互，用PPO訓練retrospective LLM。
具體的，整個架構包括Actor Model，Retrospective Model和Memory Module。
Actor Model是一個固定參數的LLM，用來輸入prompt生成動作。
Retrospective Model用來根據之前的經驗生成新的prompt（Its primary function is to produce self-reflections, offering valuable feedback for diagnosing a possible reason for prior failure and devising a new, concise, high-level plan that aims to mitigate same failure.）。
Memory Module存儲長短時記憶。其中Short-term memory指當前episode，Long-term memory指Retrospective Model輸出的總結了之前的失敗經驗的prompt。
Retrospective Model的訓練如下圖所示，每次生成多條軌跡并打分，再用PPO訓練更新參數。

總結：還是有道理的，雖然還是在做prompt，不過總算看到一篇真正用了RL的了。
疑問：無。