Apprendimento Evolutivo degli Agenti: Un Framework a Due Scale Temporali per Agenti LLM in Ambienti Aperti

Un nuovo framework chiamato Apprendimento Evolutivo degli Agenti (AEL) è stato sviluppato dai ricercatori per facilitare l'apprendimento degli agenti LLM dalle loro esperienze attraverso numerosi episodi sequenziali in contesti aperti. Questo framework affronta la sfida non solo di determinare quali informazioni conservare, ma anche come utilizzarle efficacemente, inclusa la selezione delle politiche di recupero, l'interpretazione dei risultati passati e gli aggiustamenti strategici. Su una scala temporale rapida, un bandit di Thompson Sampling identifica la politica di recupero della memoria appropriata per ogni episodio. Nel frattempo, su una scala temporale più lenta, una riflessione guidata da LLM analizza i modelli di fallimento e integra intuizioni causali nel processo decisionale dell'agente. Il framework è stato valutato utilizzando un benchmark sequenziale di portafoglio con 10 ticker diversi su 208 episodi, e i risultati sono stati pubblicati su arXiv con il numero di articolo 2604.21725.