Et nyt forskningsprojekt fra arXiv foreslår en radikalt anderledes tilgang til at bygge AI-agenter: I stedet for at generere en ny agent for hver brugerforespørgsel, henter systemet en færdig agent-profil fra et bibliotek med over 20.000 foruddefinerede profiler. LLM Agents Factory er en retrieval-baseret ramme, der konstruerer domænespecifikke agenter på forespørgsel, og resultaterne viser, at metoden kan matche kvaliteten af dynamisk agent-generering med en 120B backbone-model – men til en markant lavere inferensomkostning.
For beslutningstagere, der overvejer at implementere AI-agenter i produktion, er dette en potentiel game-changer. Den traditionelle tilgang, hvor agenter designes "on-the-fly" for hver anmodning, er både dyr og ustabil. Ved at bruge et struktureret agent-repositorium kan virksomheder opnå en mere kontrollerbar og økonomisk bæredygtig løsning, hvilket adresserer et af de største barrierer for industriel adoption.
Forskerne testede rammen på MMLU, BIG-bench og BIG-bench Hard i et single-agent-scenarie. Her overgik den retrieval-baserede konstruktion ikke-agent-baselines i nøjagtighed og matchede AutoGen-kvalitet, mens den krævede væsentligt mindre beregningskraft. Koden og agent-basen er offentligt tilgængelige på Hugging Face, hvilket gør det muligt for organisationer at evaluere teknologien direkte.
Implikationen er klar: For virksomheder, der bygger eller køber agent-løsninger, betyder dette, at man kan opnå høj ydeevne uden at investere i massive dynamiske generationssystemer. Det flytter fokus fra at optimere selve genereringen til at kuratere og vedligeholde et velstruktureret agent-bibliotek – en opgave, der er langt mere forudsigelig og skalerbar.
