为什么重要
ALFWorld 是 ReAct 论文的标志性评测环境——将 ALFRED 的视觉家务任务转化为纯文本交互，让 LLM Agent 在文本世界中执行”找到物品→操作物品→放置到目标位置”的多步任务。它是评测 LLM Agent 规划和交互能力的经典基准。
构建方式
基于 ALFRED 的 3D 家庭环境生成文本描述。Agent 通过文本命令（go to, pick up, put, open 等）与环境交互。6 类任务：Pick, Clean, Heat, Cool, Examine, Pick Two。
任务示例
- 任务：“Put a clean apple in the fridge”
- Agent 需要：探索房间 → 找到苹果 → 去水槽清洗 → 打开冰箱 → 放入
- 环境返回文本描述，Agent 决定下一步动作
关键发现
- ReAct（推理+行动交替）在 ALFWorld 上比纯 CoT 提升 30%+
- 探索策略是关键——盲目探索导致大量失败
- 任务分解能力（将目标拆解为子目标）是成功的核心
关联基准
WebShop（购物 Agent）、InterCode（代码 Agent）、BabyAI（网格世界）
不足与展望
文本世界的感知比真实世界简单得多。成功率的天花板受限于文本描述的完整性。