Trace2Env、言語モデルで状態を持つ対話型環境を構築

導入

エージェントを訓練・評価するには、複数回の操作に対して現実的に応答する環境が必要になる。しかし実際のシステムは、非公開だったり、古いソフトウェアだったり、導入が難しかったりする。元の環境を実行可能なプログラムとして作り直す方法は、コストが高く、暗黙の制約や例外的な挙動を取りこぼしやすい。

論文「From Traces to Agentic Worlds」は、別の方向性を示す。環境をプログラムとして再構築するのではなく、言語モデルエージェントに環境の役割を担わせるのである。著者らはこの考え方をagentic language world modelingと呼び、学習を必要としないTrace2Envで実装した。

Trace2Envの仕組み

• ソースコードではなく操作履歴を使う：アクセスできないシステムでも、過去の行動と観測の軌跡があれば環境の近似を作れる。
• worldbookを構成する：オフライン処理で、環境スキーマ、行動規則、制約、不変条件、実例、根拠付きの証拠を整理する。単なる長いプロンプトではなく、実行時に検索できる知識基盤である。
• 状態を継続的に管理する：世界モデルエージェントは各行動について、worldbook、現在のエピソード状態、エピソード記憶を参照し、直後の観測と後続ターンに残る変化を推定する。
• 推論と状態更新を分離する：共有ランタイムが提案結果を検証し、受け入れた変更だけを反映するため、過去の操作の影響を後続の応答へ引き継げる。

結果と限界

評価対象には、ターミナル、ソフトウェアリポジトリ、AndroidおよびWebアプリ、企業サービス、テキストゲームなど、9種類の環境が含まれる。通常のプロンプトベースの言語世界モデルと比べ、Trace2Envは次の観測の忠実度と、長い対話における一貫性を改善した。さらに、シミュレーション環境を前提にタスクエージェントが生成した行動は、実環境で再生した際にも有効である割合が高かった。これは、もっともらしい返答だけでなく、過去の操作が生んだ結果もよりよく保持できていることを示す。

一方、性能は利用可能な履歴の範囲と品質に左右される。記録にない状態、例外経路、珍しい操作については、信頼できる根拠が不足する可能性がある。そのため、Trace2Envは元システムの完全な代替というより、検証と改善が可能な近似環境として捉えるべきだろう。

意義

この方法は、エージェント環境を作る際の負担を下げる。実サービスに接続できない場合の訓練、安全で再現可能なサンドボックス評価、ツールやAPI、MCPバックエンド、企業業務の状態付きモックなどに利用できる。非公開・旧式・利用不能なシステムのログも、単なる評価記録ではなく、対話型の世界を作る材料になり得る。

今後、エージェントが長期計画を担うほど、環境が過去を記憶し、制約を守り、状態を一貫して引き継げるかが重要になる。Trace2Envは、世界モデルを「次の文章を予測する仕組み」から「行動に継続的な反応を返す環境」へ広げる試みといえる。

出典：Hugging Face Daily Papers