傳統 RL智能體在shang h將復雜任務映射到底層鍵盤鼠標操作時面臨困難，而GITM采用大型語言模型 (LLM) 作為核心，打破了這一傳統架構。GITM由 LLMDecomposer、LLM Planner和 LLM Interface三部分組成，逐步將復雜任務分解為子任務、結構化動作，直至最底層的鍵盤鼠標操作。LLM Decomposer利用外部知識將復雜任務分解為簡單子任務；LLM Planner為每個子任務規劃結構化動作，并根據反饋信息調整規劃，不斷總結成功經驗；LLMInterface通過鍵盤鼠標操作執行結構化動作，并在與環境交互中獲取觀察信息。