大型语言模型（LLM）代理被视为实现无需人工干预的长期物理任务管理的潜在路径。物理任务要求代理持续感知环境、执行关键动作并在环境变化时保持有效。现有方法要么依赖大量数据并需重新训练，要么主要针对虚拟世界的代理。
本文探讨在零样本条件下构建自适应物理 AI 代理的可行性，要求其在无需人工介入的情况下管理长期物理任务并适应环境变化。我们提出一个多代理框架，核心包括规划、工具调用、观测与结果验证四个环节，形成闭环控制流程。
实验以农业场景为例，设置不同的天气模式（晴朗、雨天、风暴）并与强化学习（RL）代理进行对比。评估指标包括任务完成率、资源利用效率和适应性表现。
结果显示，在相同天气条件下，零样本 LLM 代理的管理效果与 RL 代理相当；在天气模式转移后，LLM 代理的适应速度和最终绩效显著优于 RL 代理，验证了其自适应能力。
该工作表明，结合规划、工具调用和实时观测的 LLM 代理能够在物理环境中实现零样本长期任务管理，为自适应物理 AI 的进一步研究提供了新方向。点评