LLM教练加持，Doom AI得分翻倍：分层智能体设计新思路

在AI智能体（Agent）的研究中，如何让一个擅长底层操作的模型具备高层战略意识，一直是个难题。最近，一位YouTube创作者（#JevAI）展示的实验给出了一个简单却有效的答案：给只会“开枪”的Doom AI配一个LLM教练，它的游戏得分竟然翻了一倍多。

实验设计：底层玩家与高层教练

视频中，创作者构建了两个并排运行的Doom AI智能体。左侧是单独行动的GLiNER模型，它的行为模式非常单一——看到敌人就开枪，几乎不做其他动作。用创作者的话说，“它就像是在说射击、点射、射击，除此之外什么也不做”。

右侧则是GLiNER与一个LLM教练的组合。这个LLM并不直接控制角色，而是扮演“战术指导”的角色，根据游戏状态向GLiNER下达指令。

这种分层架构的关键在于职责分离：GLiNER负责实时、低延迟的动作执行，LLM负责理解游戏情境并规划短期目标。两者通过自然语言指令进行沟通。

GLiNER 是一种基于双向 Transformer 的轻量级信息抽取模型，其全称为 Generalized Language Interface for Named Entity Recognition。与传统 NER 模型不同，GLiNER 支持以自然语言描述任意实体类型，无需针对新类别重新训练即可完成零样本识别。在本实验中，GLiNER 被用作视觉-动作映射器：它接收游戏画面，识别敌人、武器、道具等实体，并输出对应的即时动作。由于模型规模小、推理延迟低，它非常适合承担高频、实时的底层控制任务，但缺乏对全局状态的抽象推理能力。

分层智能体架构（Hierarchical Agent Architecture） 是强化学习与机器人控制中的经典范式，其核心思想是将决策过程拆分为多个时间尺度：高层策略负责在较长时间跨度上规划子目标，底层策略负责在毫秒级完成具体动作。在本实验中，LLM 教练相当于高层策略，以游戏状态为输入生成自然语言子目标；GLiNER 相当于底层策略，将子目标转化为具体操作。这种分离使得高层规划可以调用大模型的常识与推理能力，而底层执行则保持轻量与实时，避免了让大模型直接参与每一帧决策带来的高昂成本与延迟。

教练如何改变行为：从“无脑射击”到“有目的行动”

LLM教练的介入，让GLiNER的行为发生了明显变化。在单独运行时，GLiNER偶尔会出现原地转圈之类的无意义动作。

但有了教练之后，LLM会不断给出具体的战术指令。比如：“进入侧屋，拿到等离子枪，然后与敌人战斗”。GLiNER接收到这类指令后，会尝试执行一系列有目的的动作，而不是仅仅停留在原地射击。

更关键的是，教练能够根据状态变化动态调整策略。当玩家生命值降低时，LLM会及时提醒：“去拿医疗包”。GLiNER照做之后，再继续攻击敌人。

这种动态调整能力，正是单独GLiNER所缺乏的。它没有“生命值管理”的概念，只会持续射击直到死亡。而LLM教练补上了这一层认知。

得分翻倍背后的启示

创作者在视频中总结道，GLiNER加LLM教练的系统得分“远远好于”单独GLiNER。虽然没有给出精确数字，但“翻了一倍多”的描述已经足够说明问题。

这个实验的价值不在于Doom游戏本身，而在于它验证了一种通用的智能体设计模式：用大语言模型作为高层规划器，搭配一个轻量级的专用执行器。这种架构有几点值得关注：

第一，成本与效率的平衡。 LLM不需要参与每一帧的决策，只在关键时刻给出指令，大幅降低了推理成本。GLiNER作为执行器，可以保持低延迟响应。

第二，自然语言作为接口。 LLM和GLiNER之间通过自然语言指令沟通，这意味着执行器不需要针对每个任务重新训练，只需理解语言即可。这种接口的通用性很强。

第三，可解释性提升。 相比端到端的黑箱模型，教练给出的指令是人类可读的，开发者可以清楚地知道AI“在想什么”，便于调试和优化。

当然，这个实验也有局限性。GLiNER本身的能力边界决定了执行上限，LLM教练的指令再合理，如果执行器无法完成精细操作，效果也会打折扣。此外，LLM的响应延迟可能在某些快节奏场景中成为瓶颈。

自然语言作为智能体接口（Language as Interface） 指的是用自然语言文本作为不同模块之间的通信协议。相比传统的固定维度向量或预定义动作指令，自然语言接口具有更强的通用性和可组合性：高层规划器无需知道执行器的内部结构，只需用语言描述目标；执行器也无需为每个新任务重新训练，只需具备理解语言指令的能力。这一思路与 SayCan、Inner Monologue 等工作一脉相承，其优势在于模块可独立替换、指令人类可读，但前提是执行器具备足够的语言 grounding 能力，否则指令可能无法被正确执行。

对AI应用开发的参考意义

对于正在构建AI智能体的开发者来说，这个实验提供了一个务实的思路：不必追求一个模型解决所有问题。将任务拆分为“规划”和“执行”两层，用LLM做大脑，用轻量模型做手脚，往往能以更低的成本获得更好的效果。

尤其在游戏AI、机器人控制、自动化工作流等场景中，这种分层设计正在成为主流范式。LLM教练的价值，或许才刚刚开始被挖掘。