I ricercatori hanno presentato un'architettura per agenti autonomi a lungo ciclo

I ricercatori hanno pubblicato un lavoro An Architecture for Long-Horizon Agents, che descrive una struttura per l'esecuzione di compiti che durano settimane. Gli autori hanno proposto una soluzione al problema della finestra di contesto limitata, che consente agli agenti di mantenere la funzionalità senza perdita di dati durante i riavvi dei processi.

L'architettura proposta consiste di tre componenti chiave: livelli gerarchici indicizzati per timeline, un meccanismo di clock per azioni autonome e un sistema di intelligenza a cascata. Nel caso di quest'ultimo, il compito viene trasmesso a un modello più potente solo dopo che il livello di base non supera il controllo di qualità interno.

Durante l'esperimento della durata di 10 giorni, l'agente costruito su questa architettura ha riprodotto con successo il risultato pubblicato nel campo dell'apprendimento per rinforzo. Allo stesso tempo, la partecipazione umana era richiesta solo una volta al giorno. Il sistema ha dimostrato la capacità di mantenere la catena logica attraverso i confini delle sessioni e dei reset del contesto.

La conclusione chiave della ricerca è stata che per l'apprendimento continuo degli agenti è necessaria un'infrastruttura che esista al di fuori della finestra di contesto del modello. Le conoscenze registrate nei primi stadi di lavoro hanno influenzato il comportamento successivo del sistema senza la necessità di modificare i pesi del modello stesso. Il lavoro è pubblicato sotto licenza Creative Commons Attribution 4.0.