在本节中，我们概述了我们框架的主要优势。 首先也是最重要的是，ExpeL 提供了固有的可解释性，因为提取的经验和成功轨迹都以自然语言呈现。 这种设计允许用户轻松检查、修改或删除潜在有害的轨迹/见解——这对微调模型来说是一个挑战。 此外，用户可以无缝地将专家见解或轨迹添加到 ExpeL 代理中。 此外，我们的学习方法非常容易理解；它需要更少的数据，减少计算资源，并且易于实现。 此外，像 Reflexion (Shinn 等人 2023) 这样的自我改进方法有助于任务内改进，但 ExpeL 可以实现任务间学习。 ExpeL 不依赖于部署期间的重试，而某些域需要重试。 在灵活性方面，ExpeL 代理拥有显着的多功能性。 它不限于特定的语言模型，并且补充了旨在增强大语言模型智能体规划能力的现有策略。 此外，当与它们结合应用时，ExpeL 甚至可能提高微调代理的能力。 另一个优势在于持续改进。 我们的方法将受益于基础模型的不断增强。 例如，我们的实验表明，使用 gpt-4 提取见解的效果优于 gpt-3.5-turbo（请参阅第 5.6 节）。 最后，我们介绍了一种仅使用少量微调示例即可跨领域传输提取的见解的方法，展示了我们的方法在数据有限的不同设置中的优势。