Abstraction Agent
提出名为 Abstraction Agent 的零样本流水线，利用大语言模型从自然语言游戏描述中挖掘连续战略特征、对私有状态进行评分并聚类为抽象桶，无需特定评估器或训练数据。该流程包含四个阶段：带校准锚点的特征发现、批处理私有状态评分、基于相关性的特征选择及 k-means 聚类。在heads-up no-limit Texas hold'em (HUNL) 转牌终局测试中，生成的抽象将提升策略的利用性降低高达 62%，并在 ROVER Trials 上超越标量排名基准。此外，该管道未修改提示词即可迁移至四张牌限注奥马哈、HUNL 翻前及翻牌阶段以及 Riichi Mahjong 四种游戏，其发现的特征追踪了各游戏的公认战略概念。代码已公开于 GitHub。