Forskere har præsenteret ADIAS, en ny ramme til automatisk design af interaktive AI-agenter, der forbedrer ydeevnen markant ved at fokusere på problemer frem for kandidater. Metoden, beskrevet i et nyt paper på arXiv, opnår i gennemsnit 25,2 % bedre resultater end den hidtil stærkeste baseline på tværs af fem interaktive benchmarks og viser konsistente gevinster på tværs af fire forskellige backbone-modeller.
Traditionelle metoder til automatisk agent-design er kandidat-centrerede: De organiserer erfaringer omkring de forskellige agent-kandidater, hvilket gør reparationer ineffektive og forhindrer konsolidering af delvise fremskridt. ADIAS vender tilgangen ved at indføre issue-centreret optimering, hvor reparationsfremskridt bæres videre som en eksplicit, vedvarende problemtilstand, der styrer optimeringen frem for at blive udledt fra kandidathistorikken i hver runde.
Konkret består ADIAS af to mekanismer: En vedvarende problemtilstand, der opretholder stabile problemidentiteter, livscyklusstatus, understøttende beviser og interventionsresultater, samt en problemstyret optimering, der bruger denne tilstand til at foreslå både reparationsmål og revisionsretninger for efterfølgende fokuseret fuldkode-modifikation.
Ablationsstudier viser, at fjernelse af den vedvarende problemtilstand eller erstatning af problem-centreret revision med kandidat-centrerede politikker fører til præstationsfald på op til 40,7 %. Det understreger, at den nye tilgangs styrke ligger i dens evne til at spore og målrette reparationer præcist.
For beslutningstagere betyder det, at automatisk agent-design kan blive væsentligt mere effektivt og pålideligt, hvilket kan reducere omkostningerne og tiden til at udvikle og vedligeholde AI-agenter i produktion. Virksomheder, der investerer i agent-baserede systemer, bør følge udviklingen tæt, da metoden kan blive en standard for fremtidig agent-optimering.
